目标检测中的AP计算

最新推荐文章于 2024-07-25 11:57:50 发布

lppfwl

最新推荐文章于 2024-07-25 11:57:50 发布

阅读量2.2w

点赞数 41

分类专栏： computer vision 文章标签：深度学习神经网络

本文链接：https://blog.csdn.net/lppfwl/article/details/108018950

版权

本文详细介绍了目标检测中AP(average precision)的计算过程，包括TP, FP, TN, FN, precision, recall和IOU等概念，以及如何绘制P-R曲线和计算AP值。通过实例解释了如何判断bounding boxes的真伪，并给出了AP计算的Python代码。" 114030616,10538811,Java实现：创建简单留言板功能,"['Java', 'Web开发', '数据库', 'Servlet']

摘要由CSDN通过智能技术生成

目标检测中的AP计算

最近在学习目标检测，对模型评价指标AP的计算过程有点疑问，经过查找资料、问师兄，最终算是有了一个相对明确的了解，特此记录一下，方便以后查看,不足之处还请大家批评指正！
AP(average precision)是目标检测论文中广泛使用的模型评价指标，VOC的AP计算方法在2010年的时候发生过一次更改，现在常用的是2010年之后更改的AP计算方法，该计算方法相比于之前也更为合理，本文的AP计算也是2010年之后的计算方法。官方的定义如下：
()在这里插入图片描述
（图片源自博客https://blog.csdn.net/hsqyc/article/details/81702437）

AP计算涉及到一些其他的知识，如TP,FP,TN,FN,precision,recall,IOU等等，下面进行简单介绍：

TP,FP,TN,FN,precision,recall

TP：真正例 true positive
FP：假正例 false positive
TN：真负例 true negative
FN：假负例 false negative
precision：准确率
recall：召回率
这几个名词的介绍我觉得这篇博客（https://blog.csdn.net/qq_41994006/article/details/81051150）里的一张图说的很清晰，这里直接摘下来了（略懒。。。）
在这里插入图片描述

IOU

IOU（交并比）就是两个bounding box的交集与并集之比，这里再摘一张图。。。（源自博客https://blog.csdn.net/hsqyc/article/details/81702437）

在这里插入图片描述
具体实现的python代码如下：

def box_iou(b1,b2):
    '''b1,b2均为[x1,y1,x2,y2]'''
    x1_1,y1_1,x2_1,y2_1=b1
    x1_2,y1_2,x2_2,y2_2=b2
    
    x1=max(x1_1,x1_2)
    y1=max(y1_1,y1_2)
    x2=min(x2_1,x2_2)
    y2=min(y2_1,y2_2)
    
    if x2-x1+1<=0 or y2-y1+1<=0:
        return 0
    else:
        inter=(x2-x1+1)*( y2-y1+