目标检测中map的计算

---

前言

如何评估一个训练好模型的好坏，是目标检测中一个很重要的因素，如常见的TP、FP、AP、PR、map等，这些概念很容易混淆，搞了两天才搞明白，写一篇博客总结一下，方便以后复习。

---

一、IoU和TP、FP、TN、FN的概念

IoU（Intersection over Union）：

IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。
计算公式为：

两个框交域和并域的比值就是交并比。

TP、FP、TN、FN

TP：被正确分类为正样本的数量；实际是正样本，也被模型分类为正样本
FP：被错误分类为正样本的数量；实际是负样本，但被模型分类为正样本
TN：被正确分类为负样本的数量；实际是负样本，也被模型分类为负样本
FN：被错误分类为负样本的数量；实际是正样本，但被模型分类为负样本

举个例子，比如下面这张图：

红色是预测框，绿色是真实框。
假设阈值为0.5，意思就是预测框与真实框的IoU大于等于0.5时认为检测到目标了。
TP是IoU>0.5的检测框数量（在同一真实框下只计算一次），图中的框①。
FP是IoU<=0.5的检测框数量，图中的框②。
FN是没有被检测到的框数量，图中的框③。

二、Precision和Recall

1.Precision

计算公式：

P = TP / (TP + FP)

Precision是针对预测结果而言的，含义是在预测结果中，有多少预测框预测正确了。
但是光靠一个Precision指标是有缺陷的，比如在下面这种情况中：

在预测结果中，预测正确的目标有一个，预测错误的目标有0个，所以TP=1，FP=0，则P=1，但是图中除了①，②③④⑤都没有检测出来，所以单靠一个Precision指标肯定是不行的。

2.Recall

计算公式：

R = TP / (TP + FN)
Recall是针对原样本而言的，含义是在所有真实目标中，模型预测正确目标的比例。
但是单靠Recall来判断模型预测结果好坏也不行，比如下面这种情况：

此时目标都没有漏检，TP=5，FN=0，R=1，但是检测效果并不好。因此我们需要用Precision和Recall共同来评判我们模型的好坏，也就是AP。

三、AP（P-R曲线下的面积）

这里推荐b站一位up的视频，讲的非常详细
对于以下三张猫的图片，分别对每张图片进行统计，并存入一个表格中，这个表格是按照置信度降序排序的：

此时真实框有两个，所有num_ob=2（num_ob是累加起来的），当IoU大于等于0.5时，认为检测到了目标。

---

此时num_ob=3，这张图片只有一个真实框，所以num_ob+=1，

---

最后得到左边的一张表格，先从第一个元素开始计算Precision和Recall，一次累加一个元素，直到表格中所以元素计算完成为止。

此时我们会得到右边的一张表格，按照这个表格，我们就可以绘制P-R曲线了，在绘制前需要删除一些Recall重复的数据，如图中的第五和第六个数据。

AP = （当前点的Recall值 - 上一个点的Recall值）x 当前点以及后面所有Precision值最大的点

四、map的计算

上面的0.6694就是猫所对应的AP值，采用这个方法，我们可以计算出所有类别所对应的AP值，再除以类别的个数，就得到了map。

---