目标检测评价指标（mAP、P-R曲线、IOU）

最新推荐文章于 2023-03-09 11:41:46 发布

Red Ross

最新推荐文章于 2023-03-09 11:41:46 发布

阅读量1.7k

点赞数

文章标签：计算机视觉深度学习

本文链接：https://blog.csdn.net/qq_24489997/article/details/114371600

版权

本文详细介绍了目标检测中的关键评价指标：mAP（平均精度均值）、P-R曲线及其意义。mAP是检测器性能的量化表示，而P-R曲线展示了不同阈值下检测器的精度与召回率平衡。同时，文章还解释了IOU（交并比）的概念，它是评估预测边界框与实际标注框重合程度的标准。

摘要由CSDN通过智能技术生成

一、mAP

真实情况	预测为正	预测为反	recall召回率
正	TP	FN	R = TP / (TP + FN)
反	FP	TN
precision准确率	P = TP / (TP + FP)

这四个字母看着真头晕，就算看博客当时理解了，过一会儿就忘了，所以决定整理一下，用特殊的方法记住他！

后面的字母P（positive）和N（negative）是针对检测器而言的。检测器认为它是正，则是P，反之则为N。

前面的字母T（true）和F（false）是用来修饰检测器所检测出来的结果。可以把前面的字母当成上帝，它有上帝视角，知道检测器到底预测的对不对。上帝说是T就是你预测对了，是F就是预测错了。

检测器说是P正例，上帝告诉你，你对了，真实情况就是正例，则是TP（上帝说你对T + 检测器认为正）。

检测器说是P正例，但上帝告诉你，你错了，真实情况是反例，则是FP（上帝说你错F + 检测器认为正）。

检测器说是N反例，上帝告诉你，你错了，真实情况是正例，则是FN（上帝说你错F + 检测器认为是反）。

检测器说是N反例，上帝告诉你，你对了，真实情况就是反例，则是TN（上帝说你对T + 检测器认为是反）。

检测器认为是正的例子中，有多少是真正的正？
$\frac{TP}{TP + FP}$

关注