前面依次介绍了:
本节介绍目标检测算法的评估指标:mAP定义及计算方式
mAP:mean Average Precision,平均精度均值,即AP(Average Precision)的平均值,它是目标检测算法的主要评估指标。目标检测模型通常会用速度和精度(mAP)指标描述优劣,mAP值越高,表明该目标检测模型在给定的数据集上的检测效果越好。在Tensorflow detection model zoo中,各目检检测模型的对比表如下图所示
目检检测模型表
既然mAP是AP(Average Precision)的平均值,那么首先要了解AP的定义和计算方法。要了解AP的定义,首先需要区别什么是精(Precision),什么是准(Accuracy)?
精(Precision) 与 准(accuracy)
Precision指精度,意味着随机误差(Random Error)小,即方差(Variance)小,描述了实际值的扰动情况。
Accuracy指准度,意味着系统误差(System Error)小,即偏差(Bias) 小,描述了的实际值与真实结果的偏离程度
准确度高,意味着误差(Error)小,Error = Bias + Variance
在机器学习中,可以将预测分为四种情况
True Positive(TP):正实际为正实际为正,预测对了
False Negative(FN): 预测为负实际为正,预测错了
False Positive(FP): 预测为负实际为正,预测错了
True Negative(TN): 预测为负实际为负,预测对了
confusion matrix
例如,有60个正样本,40个负样本,系统预测了50个正样本,其中40个是预测正确的正样本;预测了50个负样本,其中30个是预测正确的负样本。TP=40,FP=10;FN=20,TN=30。
定义:
可得上例中:
Precisi