map平均准确率_AP，mAP计算详解（代码全解）

最新推荐文章于 2024-09-01 14:09:34 发布

weixin_39605840

最新推荐文章于 2024-09-01 14:09:34 发布

阅读量2.4k

点赞数 1

文章标签： map平均准确率

本文链接：https://blog.csdn.net/weixin_39605840/article/details/111682469

版权

本文详细介绍了目标检测中的评价指标，包括准确率、查准率、召回率、F1分数以及Average Precision (AP)的概念，并讲解了如何计算mAP，提供了`computer_mAP.py`和`voc_eval`的代码详解，帮助理解AP的计算过程。

摘要由CSDN通过智能技术生成

定义

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）。

Precision：查准率

✔️ 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）。

Recall：召回率

✔️ 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。

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

更加广泛的会定义

分数，其中

和

分数在统计学在常用，并且，

分数中，召回率的权重大于查准率，而

分数中，则相反。

AP: Average Precision

以Recall为横轴，Precision为纵轴，就可以画出一条PR曲线，PR曲线下的面积就定义为AP，即：

PR曲线

由于计算积分相对困难，因此引入插值法，计算AP公式如下：

计算面积：

原理：

代码详解

computer_mAP.py

from voc_eval import voc_eval
import os

mAP = []
# 计算每个类别的AP
for i in range(8):
    class_name = str(i)  # 这里的类别名称为0,1,2,3,4,5,6,7
    rec, prec, ap = voc_eval('path/{}.txt', 'path/Annotations/{}.xml', 'path/test.txt', class_name, './')
    print("{} :t {} ".format(class_name, ap))
    mAP.append(ap)

mAP = tuple(mAP)

print("***************************")
#