【深度学习】查准率、召回率、AP、mAP

AP和mAP计算详解（代码全解）

参考：https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247490269&idx=3&sn=718b101325a37b152951772e11d4efde&chksm=f9a26852ced5e144200ae2f95d3bd15d9e213dff2728f85defdf75fcd5aeb7acd53f50eb233c&mpshare=1&scene=1&srcid=#rd

Recall和Precision一样，脱离类别是没有意义的。说到Precision(或Recall)，一定指的是某个类别的Precision(或Recall)。

目标检测里面没有用准确率Accuracy来评估的，都只用Recall和Precision以及mAP。

(1) Accuracy：准确率

✔️ 准确率=预测正确的样本数/所有样本数，即预测正确的样本比例（包括预测正确的正样本和预测正确的负样本，不过在 【目标检测】 领域，没有预测正确的负样本这一说法，所以目标检测里面没有用Accuracy的）。

 Acc = (TP + FN) / num_allSamples  
     =（TP + TN）/ (TP+TN+FP+FN)

比如说，检测猫，猫以外的其他类别都是负样本，所以负样本不是指一个类别，而是除你要检测的类别以外的所有类别，除非是二分类。【这段话是我添加的】

(2) Precision：查准率

【分母为 所有预测结果为该类别的样本数目】

✔️ recision表示某一类样本预测有多准。
✔️ Precision针对的是某一类样本，如果没有说明类别，那么Precision是毫无意义的（有些地方不说明类别，直接说Precision，是因为二分类问题通常说的Precision都是正样本的Precision）。

Precision = TP/(TP + FP)    

比如说，检测猫，分子为标签为猫，预测结果也为猫，即预测正确的样本数；分母为预测结果为猫的所有样本数(注意不是图片数)。
即Precision就是预测猫正确的样本数 占 所有预测结果为猫的样本数。

之所以叫查准率（精确率），是因为预测出了n个该类别的，只预测对了m（m<n）个正确的，所以叫（精确率）查准率。

【上面这两段话是我添加的】

(3) Recall：召回率

【分母为 该类别的所有标签数目】

✔️ Recall和Precision一样，脱离类别是没有意义的。说道Recall，一定指的是某个类别的Recall。Recall表示某一类样本，预测正确的与所有Ground Truth的比例。

Recall = TP/(TP + FN)   

✍️ Recall计算的时候，分母是Ground Truth中某一类样本的数量，而Precision计算的时候，是预测出来的某一类样本数。
比如说，检测猫，分子为标签为猫，预测结果也为猫，即预测正确的样本数；分母为把猫检测为猫和把猫检测为非猫的所有样本，即分母是标注的标签中所有为猫的目标总数，不是包含猫的图片的总数，因为每张图片可能有多只猫，每只猫都得算进去。
那么recall就是预测猫正确的样本数 占 所有标签为猫的样本数 的比例。

之所以叫召回率，是因为该类别本来有n个正确的，只召回了m（m<n）个正确的，所以叫召回率。

【上面这两段话是我添加的】

(4) F1 Score：平衡F分数

F1分数，它被定义为查准率和召回率的调和平均数:

F1 = 2* Precision * Recall / (Precision + Recall)
   = 2*TP / (2TP + FN + FP)