机器学习模型评价指标(目标检测)

目标检测 = 寻找目标位置 + 分类

也就是,目标检测算法实际上就是一个寻找目标位置, 然后对该目标进行分类的过程

我们来评价一个目标检测模型的时候, 基本是用mAP的. 而对于mAP来说IOU是必不可少的. 下面先从IOU喀什介绍:

1. IoU(Intersection over Union)

    IoU是针对目标位置而设定的一个指标. 在检测值(四边形坐标)与ground truth(四边形坐标)值都存在的时候, 用检测值与ground truth重叠的面积占两个值全部面积的比例来计算IoU.

红色部分的比例为IoU

    IoU通常作为评价的一个阙值来计算mAP. 比如说, 如果检测边框的IoU在0.5以下, 则被认为是检测失败. 不参与mAP计算. 因此IoU可以作为一个很好的指标来测量目标检测中的第一步,位置检测的准确度.

2. mAP(mean Average Precision)

    mAP则是在一定的IoU阙值下, 所有类别的AP的平均数. 平均非常好理解. AP的计算需要看上一篇, 分类的部分. 

    在tf中, 如果是用model_main进行模型训练, 没有特别设置的话, tensorboard默认是使用coco mAP. 第一个scalar就会显示在IoU0.5:0.95的mAP值, 也就是从0.5 IOU到0.95 IOU每0.05作为一个step的mAP平均值.