Object Detection 评价指标mAP及其计算

最新推荐文章于 2023-08-29 22:36:27 发布

一方

最新推荐文章于 2023-08-29 22:36:27 发布

阅读量410

点赞数

本文链接：https://blog.csdn.net/qinghange/article/details/101572451

版权

本文介绍了目标检测中的评价指标mAP（平均精度均值），包括如何计算精度和召回率，涉及到IoU阈值和置信度阈值的影响。mAP@0.5表示在IoU阈值为0.5时，对所有类别的AP求平均，而mmAP则是不同IoU阈值下mAP的均值。

摘要由CSDN通过智能技术生成

1. 判断正确的检测结果并计算 Precision 和 Recall------每一种类别

1.1 对于精度(Precision) 和召回率(Recall) 的计算，所有机器学习问题都一样，必须要判断出 True Positives(真正例)、False Positives(假正例)、True Negatives(真负例) 和 False Negatives(假负例).

为了计算精确率( Precision ) 为了得到 True Positives 和 False Positives，需要用到 IoU，以判断检测结果是正确的(True) 还是错误的(False). 一般以 0.5 的 IoU 阈值，如果 IoU>0.5，则，检测结果是 True Positive；否则，检测结果是 False Positive. 在 COCO 数据集和竞赛中，其评测指标推荐对多个不同的 IoU 阈值进行计算. 但，简洁起见，这里仍只采用 IoU 阈值为 0.5，这也是 PASCAL VOC 的评测指标.

为了计算召回率(Recall)，需要知道 Negatives 的数量. 由于图片中所有没有检测到物体的部分都被视为 Negative，因此，True Negatives 的计算有点棘手. 但，可以只计算 False Negatives，如模型漏检的目标物体.

1.2 另一个待考虑的因素是，模型预测的每个检测结果的置信度. 通过改变置信度阈值，可以改变一个预测框是 Positive 还是 Negative.