Win10下手把手教你Mask RCNN绘制PR曲线、计算mAP

最新推荐文章于 2024-06-19 21:22:49 发布

Forizon

最新推荐文章于 2024-06-19 21:22:49 发布

阅读量1.1w

点赞数 19

分类专栏：编程学习文章标签： precision recall

本文链接：https://blog.csdn.net/hesongzefairy/article/details/106746216

版权

导航：

1. keras版的mask rcnn环境配置https://blog.csdn.net/hesongzefairy/article/details/104702119

2. keras版的mask rcnn训练自己的数据集https://blog.csdn.net/hesongzefairy/article/details/105738318

3. 一文理解精确率Precision、召回率Recall以及ROC曲线https://blog.csdn.net/hesongzefairy/article/details/104295431

之前的两篇文章已经对mask rcnn的用法做了详细介绍，那么还剩最后一个任务，对目标检测模型评价其性能所用到的指标，PR曲线怎么画，AP、mAP（mean Average Precision）怎么计算？

首先在概念上应该有导航3的基础，本文再简单的解释一下TP、FP、TN、FN

T为True，表示检测类别正确 F为False，表示检测类别错误

P为Positive，表示正样本 N为Negative，表示负样本

TP为True Positive，表示检测正确的正样本

FP为False Positive，表示检测错误的正样本

TN为True Negative，表示检测正确的负样本

FN为False Negative，表示检测错误的负样本

在mAP的计算过程中，会用到TP、FP、FN

计算mAP，首先需要计算precision和recall

精确率Precision：

又称查准率，能够体现模型分类为正样本的数量中分类正确的比例，分母靠预测值决定。

正样本的预测数/被预测为正样本的数量（包含错误预测为正样本的负样本） $P = \frac{TP}{TP + FP}$

召回率Recall：

又称查全率，即上述的TPR。

分类正确的样本书/正样本的数量 $R = \frac{TP}{TP + FN}$

计算出precision和recall之后，就可以调整阈值来获取一组组的（P,R）点，绘制出PR曲线，进一步计算出AP和mAP

那么在代码中如何实现：

在utils中有一个函数compute_ap()是专门用来计算AP的，可以看一下源码

def compute_ap(gt_boxes, gt_class_ids, gt_masks,
               pred_boxes, pred_class_ids, pred_scores, pred_masks,
               iou_threshold=0.5):
    """Compute Average Precision at a set IoU threshold (default 0.5).

    Returns:
    mAP: Mean Average Precision
    precisions: List of precisions at different class score thresholds.
    recalls: List of recall values at different class score thresholds.
    overlaps: [pred_boxes, gt_boxes] IoU overlaps.
    """

函数需要的输入是：

gt_boxes：读取json文件中mask并生成相应的bounding box（目标数量，4）

gt_class_ids：读取json文件中的目标类别（目标数量，）

gt_masks：读取json文件中的mask边缘坐标点生成mask（512，512，目标数量）

pred_boxes：模型预测生成的box（目标数量，4）

pred_class_ids：模型预测生成的