map评价吗 voc数据集可以用coco_深度学习代码输出评价指标：通过代码详细指出COCO数据集和VOC数据集如何计算AP值...

整理了一些关于目标检测评价指标的资料，并在通过代码展现给大家展示AP值的输出，目录如下，可以直接通目录检索所需部分

目录

评价指标

代码输出指标

COCO数据集

COCO自带接口

获取其他参数

VOC数据集

test.py 直接调用

Faster R-CNN

ATSS算法

评价指标

一提到评价指标，我们下意识其实是准确度和精度，确实如此。目标检测部分常用的评价指标为：

召回率(recall)——含有目标的样例中，能正确识别出来的比例。

平均精度(AP)——准确率-召回率(Precision-recall)曲线下面的面积

这个召回率其实很生动，我放上一位前辈的博客，里面对各个指标的解释都很详细

目标检测 — 评价指标

我需要提醒的一点是这个AP值该如何理解，盗个图(侵删)

横坐标是指我(分类器)识别的正样本里面正确标注的比例——召回率

纵坐标是指我(分类器)能识别出的正样本占总正样本比例——准确率

当我们 test.py ——也就是分类器代码分类结束后，在运行一个代码，他把我们的结果一个个输进去。

那么很显然，刚开始，准确率肯定高，前几个都是对的那比例值就是 1 了。此时召回率扛不住的，几千张图片的话，分子为个位数，那么百分比就将近 0 了

随着 test.py 结果的不断输入，我们的准确率会减少，召回率相当于大力出奇迹，就上去了