目录
AP(average precision)学习出来的模型在每个类别上的好坏
mAP 学习出来的模型在所有类别上的好坏 就是所有类别的平均值 是通过precision和recall曲线计算出来的 mAP越大目标检测越准确
-
使用的数据集
目标检测的性能指标
精度指标和检测速度
目标分类可以用到的指标 混淆矩阵
检测框准不准 指标:IoU 交并比
iou越大预测和给出越接近
AP(average precision)学习出来的模型在每个类别上的好坏
mAP 学习出来的模型在所有类别上的好坏 就是所有类别的平均值 是通过precision和recall曲线计算出来的 mAP越大目标检测越准确
在不同数据集上AP和mAP定义可能不同
AP的计算
他是根据置信度给出一个排名 precision 是预测从上到下一共n :有多少个true / n
比如说 我要计算排名为3的precision 前面有2个true 那就是 2/3
recall是 true / 样本数量
计算完了之后就可以画曲线的
下图为近似计算
2010年新的计算AP的方法 更加准确
性能:检测速度
前传耗时 每秒帧数 他俩吃硬件
浮点运算量(flops)不吃硬件 拼算法