目标检测的问题的任务是:给定一个图像,(1)找到他们的位置,(2)并且对目标进行分类。所以,目标检测需要涉及图像中目标的位置信息和对目标进行分类。
几个基本概念
MAP(mean Average Precision)均值平均精度。目标检测模型的性能评估
Ground Truth:对于任何算法,度量总是与数据的真实值(Ground Truth)进行比较,Ground Truth就是数据的真实值。Ground Truth包括图像中的目标的类别以及图像中每个目标的边界框。
Iou:交并比。交并比是模型所预测的检测框和真实(Ground Truth)的检测框的交集和并集之间的比例。
如何计算mAP
如何才算正确识别?
我们使用IoU判断检测是否正确需要设定一个阈值,最常用的阈值是0.5,即:如果IoU>0.5,则认为是真实的检测(True Detection),否则认为是错误的检测(False Detection)。
正确检测的次数(A)
用计算出的IoU值与设定的IoU阈值(例如0.5)比较,计算出每个图像中每个类的正确检测次数A。
实际目标的次数B
对于每个图像,我们已经做了标记,知道的Ground Truth,因此可以得到给定类别的实际目标的数量B。
某类模型的精度
某类模型的精度 = =
=
(这里统计的对象时每一张图片)
某类的平均精度
假定有一个类,验证集中有100张图片,并且所有的GroundTruth都已知,那么我们可以得到100个‘某类模型的精度’,那么除以图片的数量100就可以得到‘某类的平均精度’
(这里统计的对象测试集)
mAP计算
假定有20个类,通过上面的‘某类的平均精度’我们可以得到20个 某类的平均精度。那么mAP(均值平均精度)就可以通过求所有类的平均精度的平均值得到,即
即,mAP=所有类别的平均精度求和 除 总的类别数