目标检测（Object Detection）中性能衡量指标mean Average Precision（mAP）的含义与计算

最新推荐文章于 2024-07-25 11:57:50 发布

asasasaababab

最新推荐文章于 2024-07-25 11:57:50 发布

阅读量4.2w

点赞数 40

分类专栏：学习笔记文章标签：深度学习目标检测 mAP 性能衡量

本文链接：https://blog.csdn.net/asasasaababab/article/details/79994920

版权

本文详细介绍了目标检测性能衡量指标mAP（mean Average Precision）的含义与计算过程，涉及Precision、Recall、Accuracy的概念及其关系，以及在信息检索和目标检测领域的应用。文章解释了mAP的计算涉及对查询结果的排序，根据置信度确定每个框的权重，并通过IOU判断框的准确性。最后，文章提供了mAP计算的代码参考。

摘要由CSDN通过智能技术生成

背景

之前在研究Object Detection的时候，只是知道Precision这个指标，但是mAP（mean Average Precision）具体是如何计算的，暂时还不知道。最近做OD的任务迫在眉睫，所以仔细的研究了一下mAP的计算。其实说实话，mAP的计算，本身有很多现成的代码可供调用了，公式也写的很清楚，但是我认为仔细的研究清楚其中的原理更重要。

AP这个概念，其实主要是在信息检索领域（information retrieval）中的概念，所以这里会比较快速的过一下这个在信息检索领域是如何起作用的。

Precision，Recall，以及Accuracy

Precision和Recall

如下图所示，假如一个用户向系统提交一个查询（例如“什么是猫”），系统返回了一系列查询的结果，这些结果是系统根据用户提交的信息，判定出来系统内所有跟这个信息有关的结果。
这里写图片描述

在这个结果里，黄色的部分是系统返回的结果，绿色的部分是总共对用户有用的结果。两者的交集，也就是中间的地方，通常叫做True Positive（TP），中文译名是真阳。而返回结果的剩下的部分，则是False Positive。也就是假阳，意思就是说这些本身是对用户没啥用的，但是系统判定这些对用户有用并且提交给用户了，所以叫“假阳”。而绿色部分剩下的，False Negative，假阴，则是本来对用户有用的结果，但是被系统判定没用，“假阴”。剩下的灰色地方则是True Negative，“真阴”，就是真的没啥用的结果。

Precision就是 $\frac{TP}{TP+FP}$ ，也就是提交给用户的结果里边，究竟有多少是对的，或者反过来说，我们给了用户多少没用的垃圾。Recall是 $\frac{TP}{TP+FN}$