目标检测评价指标MAP

目标检测评价指标MAP

TP、FP、FN、TN

注意：接下来讲的全部是基于某一类别，全部是狗或者全部是猫。

1. True Positive (TP): 检测框(挑选出检测到的猫或者检测到的狗的检测框)和目标框(也是挑选出GT中的猫或者狗)的 IoU >某一阈值，一般取 0.5 ) 的检测框数量（同一 Ground Truth 只计算一次）

2. False Positive (FP): IoU<=某一阈值的检测框数量，或者是检测到同一个 GT 的多余检测框的数量

3. False Negative (FN): 没有检测到的 GT 的数量。

4. True Negative (TN): 在 mAP 评价指标中不会使用到

precision 和 recall

• 查准率（Precision）: TP/(TP + FP)
• 查全率（Recall）: TP/(TP + FN)

以precision和recall为横纵坐标绘制的曲线称为PR曲线

AP 和 MAP

• AP:上述PR曲线下方的面积
• MAP：不同类别计算的AP求得得平均值

假设我们有 7 张图片（Images1-Image7），这些图片有 15 个目标（绿色的框，GT 的数量，上文提及的 all ground truths）以及 24 个预测边框（红色的框，A-Y 编号表示，并且有一个置信度值）(假设这7张图片15个标注框标注得全是狗，预测24个个框也都是狗)

根据上图以及说明，我们可以列出以下表格，其中 Images 代表图片的编号，Detections 代表预测边框的编号，Confidences 代表预测边框的置信度，TP or FP 代表预测的边框是标记为 TP 还是 FP（认为预测边框与 GT 的 IOU 值大于等于 0.3 就标记为 TP；若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.3 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP，这里的 0.3 是随机取的一个值。

通过上表，我们可以绘制出 P-R 曲线（因为 AP 就是 P-R 曲线下面的面积），但是在此之前我们需要计算出 P-R 曲线上各个点的坐标，根据置信度从大到小排序所有的预测框，然后就可以计算 Precision 和 Recall 的值，见下表。（需要记住一个叫累加的概念，就是下图的 ACC TP 和 ACC FP）

• 1 的 Precision 和 Recall 的计算方式：Precision=TP/(TP+FP)=1/(1+0)=1，Recall=TP/(TP+FN)=TP/(all ground truths)=1/15=0.0666 （all ground truths 上面有定义过了）
• 2Precision=TP/(TP+FP)=1/(1+1)=0.5，Recall=TP/(TP+FN)=TP/(all ground truths)=1/15=0.0666
• 3Precision=TP/(TP+FP)=2/(2+1)=0.6666，Recall=TP/(TP+FN)=TP/(all ground truths)=2/15=0.1333 其他的依次类推

然后就可以绘制出 P-R 曲线

计算曲线围成得面积就可以得到AP
要计算 mAP，就把所有类别的 AP 计算出来，然后求取平均即可。

coco评价指标

• 其实这个得AP都是MAP:AP iou= 0.5代表计算precision 和recall时将iou设为0.5,求得得AP值
• AP iou= 0.75代表计算precision 和recall时将iou设为0.75.求得得AP值
• AP small 代表检测得到得小面积目标框小面积求嘚嘚AP值，同理max和media一样
• AR max=100 表示一张图片检测100个框求得得AP值。

参考链接:01

参考链接:02