【深度学习】目标检测之评价指标mAP
评价指标
时隔一年,又重新开始了学习之路。哈哈哈废话不多说,开始我最近整理的一些内容叭。今天要整理的知识点是目标检测领域常用的几个评价指标,准确率Precision,召回率Recall,交并比IoU,平均精度AP,多个类别AP的平均值即mAP等等。
混淆矩阵
目标检测模型通常会输出很多个检测框,我们是通过统计并计算每个检测框是否能检测到目标的各种占比来衡量模型的检测效果,因此,我们会把检测框分成如下四种情况,判断的依据主要是通过计算交并比(IoU,这个下面会讲到)。
- TP (True Positive) ,真的正样本 = 正样本 被分类为 正样本;
- TN (True Negative) ,真的负样本 = 负样本 被分类为 负样本;
- FP (False Positive) ,假的正样本 = 负样本 被分类为 正样本;
- FN (False Negative) ,假的负样本 = 正样本 被分类为 负样本(通常为漏检);
按照检测框的检测情况,我们写成一个4x4的矩阵形式(称为混淆矩阵):
分类情况 | 预测为正类 | 预测为负类 |
---|---|---|
真实正样本 | TP | FN |
真实负样本 | FP | TN |
对于一张图像而言,预测的情况和真实样本的情况如下(记住这个,后面计算不会混乱)
Precision 精确率(精度)
Precision:指的是在模型预测的结果中,其中正确的有多少个。看上面的图,预测结果有TP+FP。
P r e c i s i o n = T P T P + F P Precision = \frac{TP}{TP+FP} Precision=TP+FPT