【深度学习项目】目标检测中的常见指标（Precision、Recall、F1 Score、IoU、AP、mAP、COCO指标）

道友老李

已于 2025-01-10 10:00:51 修改

阅读量8.1k

点赞数 33

分类专栏：深度学习文章标签：深度学习目标检测人工智能计算机视觉机器学习

于 2024-12-16 05:00:00 首次发布

本文链接：https://blog.csdn.net/u014608435/article/details/144453657

版权

21 篇文章

订阅专栏

介绍

在目标检测任务中，评估模型性能的指标非常重要，因为它们帮助我们了解模型的效果，并指导进一步的改进。以下是几种常见的目标检测评估指标：

定义：精确率是指所有预测为正类的样本中，真正是正类的比例。
公式：

其中 TP 表示真阳性（True Positives），即正确地被识别为目标的实例；FP 表示假阳性（False Positives），即错误地被识别为目标的背景。

定义：AP 是根据 PR 曲线下面积计算得出的一个数值，反映了不同置信度下的模型表现。对于每个类别，可以绘制出其对应的 PR 曲线，并计算该曲线下的面积作为 AP。
计算方式：
对于每个类别，按照预测得分排序后，逐步降低阈值，并记录不同阈值下的 Precision 和 Recall 值。然后计算这些点组成的 PR 曲线下的面积。

定义：COCO 数据集提出了更严格的评估标准，除了传统的 mAP 外，还包括了不同 IoU 阈值（例如 [0.5:0.05:0.95]）下以及不同对象尺度（小、中、大）下的 AP 计算。
特点：
- 更加全面地考虑了各种情况下的检测效果。
- 特别适合像 COCO 这样包含大量多样性和复杂场景的数据集。

在这里插入图片描述

以上列出的目标检测评估指标各有侧重，可以根据具体的应用场景和个人需求来选择合适的评估标准。例如，在某些场合下，可能更关心高召回率以确保不漏检关键目标；而在其他情况下，则可能更注重高精确率以减少误报。此外，随着研究的发展，新的评估指标和技术也在不断涌现，以更好地适应日益复杂的任务要求。

COCO Evaluation Result

在这里插入图片描述

平均平均精度（Mean Average Precision, mAP）是目标检测任务中最常用和最全面的性能评估指标之一。它综合考虑了不同类别的检测效果，以及每个类别在不同置信度阈值下的表现。下面将详细解释 mAP 的计算过程及其重要性。

在深入探讨 mAP 之前，我们首先需要了解什么是 AP。AP 是根据 PR 曲线（Precision-Recall Curve）下面积来衡量模型在一个特定类别上的性能。PR 曲线展示了随着检测阈值变化时，精确率（Precision）和召回率（Recall）之间的关系。

排序预测结果：对于给定类别，按照预测得分（即模型输出的概率或置信度）从高到低对所有检测结果进行排序。
计算 TP 和 FP：遍历排序后的检测结果，逐个检查是否为真阳性（TP）或假阳性（FP），并累积计算 TP 和 FP 数量。
生成 PR 曲线：根据累积的 TP 和 FP 值，计算每一个检测结果对应的精确率和召回率，并绘制 PR 曲线。
计算 AP：AP 可以通过多种方式计算，例如：
- 11-point interpolated AP：在召回率为 [0, 0.1, 0.2, …, 1.0] 的点上取最大精确率值，然后计算这些点的平均值。
- COCO-style AP：使用更精细的方法，在一系列 IoU 阈值范围内（如 [0.5:0.05:0.95]）计算 PR 曲线下面积的平均值。

mAP 是所有类别 AP 的平均值，用于衡量整个数据集上的整体性能。具体来说，它是对每个类别分别计算 AP 后求得的平均数。这意味着 mAP 不仅反映了单个类别的检测质量，还考虑了多类别之间的平衡。

在这里插入图片描述

在 COCO 数据集中，mAP 的定义更为严格和复杂，因为它引入了多个 IoU 阈值和对象尺度的考量。以下是 COCO 中常用的几个 mAP 指标：

mAP@[IoU=0.50]：当 IoU 阈值为 0.50 时计算的 mAP。
mAP@[IoU=0.75]：当 IoU 阈值为 0.75 时计算的 mAP。
mAP@[IoU=0.50:0.95]：在 IoU 阈值范围 [0.50, 0.55, …, 0.95] 内计算的 mAP 平均值。
mAP (small)、mAP (medium)、mAP (large)：针对小、中、大尺寸对象分别计算的 mAP。
这种多维度的评估方法确保了模型不仅能在标准条件下表现良好，还能适应各种不同的检测要求。