目标检测评价指标mAP

1、IOU(交并比)

IOU(Intersection over Union)是指模型预测的bbox和真实的gt bbox的交集和并集之间的比值。

目标检测评价指标mAP_第1张图片

2、TP、TN、FP、FN

  • TP(True Positives):本来是正样本,被预测为正样本
  • TN(True Negatives):本来是负样本,被预测为负样本
  • FP(False Positives):本来是负样本,被预测为正样本
  • FN(False Negatives):本来是正样本,被预测为负样本

3、Precision(精度)和Recall(召回率)

  • Precision表示所有被预测为正样本的部分中真正为正样本的部分所占比例。(查准率)
    P r e c i s i o n = T P T P + F P Precision = \frac{{TP}}{{TP + FP}} Precision=TP+FPTP

  • Recall表示所有确实是正样本的部分中被预测(被召回)为正样本的概率(查全率)

R e c a l l = T P T P + F N Recall=\frac{TP}{TP+FN} Recall=TP+FNTP

4、AP(平均精度)

AP(Average Precision)是指某一类别下的平均精度,指PR曲线下的面积。coco数据集中不区分mAP和AP。

4.1 PR曲线

  1. 根据IOU来计算Precision和Recall

    根据预测框与真实框的IOU是否大于0.5来判断是TP还是FP。剩下没有被检测到的真实框为FN。因此对于每一个预测框可以计算出一个Precision和Recall。

  2. 根据不同置信度阈值计算Precision和Recall

    根据每个预测框的置信度从高到低排序。在不同置信度阈值下计算Precision和Recall。忽略掉置信度在阈值之下的预测框。置信度大于阈值的算Positive,置信度小于阈值的算Negative。

    置信度阈值选取得越低,Recall就越高,Precision就越低。则可以根据不同的阈值计算出不同的Precision和Recall。

    IOU>=0.5 IOU<0.5
    置信度大于阈值 TP FP
    置信度小于阈值 FN TN

随着选定的置信度阈值的变化,Precision和Recall不断变化。利用这些不同的Precision和Recall绘图,计算PR曲线下的面积就是该类别的AP,把所有类别的AP都算出来就得到了mAP(mean Average Precision)。

你可能感兴趣的:(深度学习,目标检测,深度学习,人工智能)