我们都知道在目标检测任务中,常用的指标有mAP,那么我们在进行目标检测时为什么要使用mAP这个指标?什么是mAP呢?
必备小知识
-
IoU
IoU(Intersection-over-Union)表示目标真实框与预测框的交并比,如下图所示:PB表示预测框,GT表示真实框
I o U = P B ∩ G T P B ∪ G T IoU = \frac{PB∩GT}{PB∪GT} IoU=PB∪GTPB∩GT
-
TP FP FN
以上三个词大家初看可能容易混淆,但是解释各个字母的意义后就会很容易的分清楚:- T和F分别表示True和False代表正确识别还是错误识别
- P和N分别表示Positive和Negative代表正样本和负样本
TP:IOU大于一定阈值的检测框,被认为是正确识别为正样本
FP:IOU小于一定阈值的检测框,被认为是错误的识别为正样本
FN:被错误的识别为负样本,也就是被漏检的数量,这里需要注意漏检指的是没有被识别为正样本的目标个数,如果一张图像上有3个目标,仅有一个目标被正确识别为正样本,那么FN=2
以下图为例:
假设阈值为0.5,图中蓝色框表示真实标签,绿色框和红色框为被 识别为猫的预测框,其中绿色框与蓝色框的IOU>0.5,则绿色框表 示被正确识别的正样本,红色框与蓝色框的IOU<0.5,则红色框表 示被错位识别的正样本,因此TP = 1,FP = 1, FN = 1。
-
Precision(准确率)和Recall(召回率)
Precision指模型所有的预测结果中,预测正确的比例是多少,公式如下,其中TP表示识别对的样本数,TP+FP表示所有的预测框
P r e c i s i o n = T P T P + F P Precision = \frac{TP}{TP + FP} Precision=TP+