目标检测算法map_完整学习目标检测中的 Recalls, Precisions, AP, mAP 算法（Part1）

点击上方“CVer”，选择加"星标"或“置顶”

重磅干货，第一时间送达

作者：Yanpeng Sun

https://zhuanlan.zhihu.com/p/79186684

本文已由作者授权，未经允许，不得二次转载

学习目标检测一定少不了的评测方式， 就是透过recalls, precisions, 来计算出类别的AP， 以及最后所有AP的平均值 mAP(mean Average Precision) 也就是我们最关心的数值

这边先简单的了解一下confusion matrix， 也就是所谓的混肴矩阵， 我个人不觉得这是一个很好的翻译， 最好记得英文就行， 在分类任务中这是一个非常重要的评测指标

下图是一个基本的confusion matrix 

下面我直接带入例子会比较好解释

假设你的数据集一共是2分类， 第一类是人， 第二类是汽车
而测试集只有两张图片

Actual Value and Predicted Value

Actual value ：实际的值， 在目标检测领域中， 我们可以理解为ground truth， 就是人或者是汽车在图片上的真实坐标

predicted value：这个就很好理解了， 就是指我们模型预测出来的坐标

pos 和 neg 这边不先定义， 我讲下去你就知道了

TP FP FN TN

这里通常很容易被弄混， 难怪叫做混肴矩阵， 跟着我的步伐走就没问题，强烈建议拿出纸笔把矩阵画一次就清楚了

• TP (TruePositive): 正确预测出类别的 (正确识别为人或是汽车)

• FP (FalsePositive)：错误预测类别的 (人当成汽车)

• FN(FalseNegative): ground truth中没有被检测到的

• TN(TrueNegative):理论上来讲就是检测出不是这个类别的数量， 但是并不适用在目标检测领域， 因为通常一张图后会有非常多的bbox是没有检测到groundtruth的， 所以这无法计算， 并不影响， 因为也用不上

Recalls and Precisions

Recalls

可以叫做查全率又或者是召回率， 可以当做是所有类别x中预测为正确的
也就是