目标检测中常见的指标——MAP

最新推荐文章于 2024-07-05 06:17:52 发布

从今天起要认真写代码

最新推荐文章于 2024-07-05 06:17:52 发布

阅读量641

点赞数

分类专栏：笔记文章标签：目标检测计算机视觉深度学习

本文链接：https://blog.csdn.net/weixin_46227666/article/details/125086169

版权

7 篇文章 0 订阅

订阅专栏

本文详细介绍了目标检测中的关键指标，包括TP、FP和FN，并解析了查准率(Precision)和查全率(Recall)的计算方式。通过PR曲线和平均精度均值(MAP)的概念，阐述了评估目标检测模型性能的方法，特别是COCO数据集下的评估标准。

摘要由CSDN通过智能技术生成

计算MAP之前要先了解一下的指标：

TP（Ture Positive)正确检测到的检测框的数量，例如检测的目标是“猫”这一类别，那么检测框与目标的ground truth的目标框的IOU>0.5时，我们认为正确检测到

在这里插入图片描述

图中红色检测框与绿色GT框之间的IOU为0.85，认为是TP。

在这里插入图片描述

IOU为0.3的检测框为FP，即把不是猫的物体错误检测为猫

在这里插入图片描述

没有检测框检测到目标，认为是漏检，为FN

Precision:查准率，即所有的检测结果中，那些是GT的
$P = T P / (T P + F P)$
Recall:查准率，即对一个类别中所有的GT，检测到的概率

$R = T P / (T P + F N)$
有了P、R之后，我们可以求出AP，即P-R曲线下的面积

在这里插入图片描述

如图所示，为了得到PR曲线，我们需要计算不同RANK-K下的P、R值，然后求其面积，因为是求面积，所以对同一个Recall值，我们选取其对应最大的Precision值

计算所有类别的AP，然后求其均值，即可得到MAP。
分享COCO数据集下的一些计算指标

关注