目标检测的评价指标(TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP)

1. TP TN FP FN

                                                              GroundTruth                 预测结果

TP(True Positives):   真的正样本  = 【正样本  被正确分为  正样本】

TN(True Negatives): 真的负样本  = 【负样本  被正确分为  负样本】

FP(False Positives):  假的正样本  = 【负样本  被错误分为  正样本】

FN(False Negatives):假的负样本  = 【正样本  被错误分为  负样本】

2. Precision(精度)和 Recall(召回率)

Precision=\frac{TP}{TP+FP}             即  预测正确的部分  占     预测结果     的比例

Recall=\frac{TP}{TP+FN}                   即  预测正确的部分  占  GroundTruth  的比例

3. IoU(Intersection over Union)

IoU=\frac{TP}{TP+FP+FN}

4. AP

(1) 找出  预测结果  中  TP(正确的正样本)  和  FP(误分为正样本)  的检测框

     设置IoU的阈值,如IoU=0.5

     IoU值大于0.5  预测结果  正确;否则, 预测结果  错误,如下图所示

                              

IoU=\frac{TP}{TP+FP+FN}> 0.5                     IoU=\frac{TP}{TP+FP+FN}< 0.5

            预测结果:TP                                                    预测结果:FP

注意:这里的TP、FP与图示中的TP、FP在理解上略有不同

(2) 计算  不同置信度阈值  的  Precision、Recall

a. 设置不同的置信度阈值,会得到不同数量的检测框:

        阈值高,得到检测框数量少;

        阈值低,得到检测框数量多。

b. 对于  步骤a  中不同的置信度阈值得到  检测框(数量)=TP(数量)+FP(数量)

c. 计算Precision,按照上面步骤(1)中使用IoU计算TP、FP的方法,将步骤b中的检测框(数量)划分为TP(数量)、FP(数量)

        Precision=\frac{TP}{TP+FP}

d. 计算Recall,由于TP+FN是GroundTruth(即已知的检测框的数量),则可以得到:

       Recall=\frac{TP}{TP+FN}

e. 计算AP,不同置信度阈值会得到多组(Precision,Recall)

    假设我们得到了三组(Precision,Recall):

  (0.9, 0.2),(0.5, 0.2),(0.7, 0.6),如下图中所示

AP=上图中所围成的面积,即  AP = 0.9 x 0.2 + 0.7 x 0.4 = 0.46

5. mIoU、mAP

IoU和AP是对一个类别所计算的结果,mIoU和mAP是所有类结果的平均值。

 

 

参考博客:

理解目标检测当中的mAP

https://blog.csdn.net/hsqyc/article/details/81702437

 

 

  • 17
    点赞
  • 147
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值