目标检测——基础知识_目标检测的准确率、召回率和map-CSDN博客

本文链接：https://blog.csdn.net/welltung_666/article/details/104496972

文章目录

交并比（IOU）
准确率（Precision）和召回率（Recall）
AP（平均精度）和mAP（平均精度均值）
非极大值抑制：NMS
Soft NMS
Sliding-window（滑动窗口）
Select Search（选择搜索）

交并比（IOU）

IoU (Interseeection over Union) 交并比：计算“预测边框”和“真实边框”的交集和并集的比值，用来衡量检测算法性能。
在这里插入图片描述

准确率（Precision）和召回率（Recall）

精度（Precision）：精度是精确性的度量，表示被分为正例的示例中实际为正例的比例。
Precision = TP /（TP + FP）

召回率（Recall）:召回率是覆盖面的度量，度量有多少正例被分为正例。
Recall=TP/（TP + FN）
在这里插入图片描述

AP（平均精度）和mAP（平均精度均值）

AP和MAP是多标签分类任务的评价方法。假设整个数据集中共有5个苹果。我们收集了模型对苹果的所有预测，并根据预测的置信度(从最高的置信度到最低的置信度)对其进行排序。第二列表示预测是否正确。如果匹配ground truth和IoU 0.5，就是正确的。
在这里插入图片描述
当我们包含更多的预测时，召回值会增加，但精确度会上下波动。以Recall为横坐标，Precision为纵坐标，可以的得到PR曲线。

首先对PR曲线进行平滑，对于所有的Recall用最大精度替换当前精度。（线B是平滑前，线C是平滑后）
在这里插入图片描述
将召回值从0到1.0分成11个点，计算这11个召回值的最大精度值的平均值。

AP = （5x1 + 4x0.57 + 2x0.5）/ 11 （也可以理解为平滑后PR图线下面的面积）

mAP是所有类别的平均值，mAP = 所有类别的平均精度的和  /  所有的类别 。
在这里插入图片描述

非极大值抑制：NMS

NMS的作用是在目标检测中去掉重复的Bounding Box(BB)。
可以通过下面的图理解一下NMS：
在这里插入图片描述
NMS的整个过程：

获取所有的Bounding Box(BB)的信息（也就是图中的框框），按照置信分数从高到低排序，并记录当前分数最高的框。
计算当前最高分的框与其他框的IOU，然后删除所有IOU大于阈值的框。
对于剩下的框，循环执行上一步的操作直到剩下符合要求的框。

代码实现：

import numpy as np
def nms(dets, thresh):
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]
    areas = (x2-x1+1)*(y2-y1+1)  # 计算面积
    order = scores.argsort()[::-1]  # 降序排列
    keep = []  # 保存bounding box

    while order.size > 0:
        i = order[0]
        keep.append(i)
        xx1 = np.maximum(x1[i], x1[order[1:]])  # 计算xmin的max,即overlap的xmin
        yy1 = np.maximum(y1[i], y1[order[1:]])  # 计算ymin的max,即overlap的ymin
        xx2 = np.minimum(x2[i], x2[order[1:]])  # 计算xmax的min,即overlap的xmax
        yy2 = np.minimum(y2[i], y2[order[1:]])  # 计算ymax的min,即overlap的ymax
        w = np.maximum(0.0, xx2-xx1+1)
        h = np.maximum(0.0, yy2-yy1+1)
        inter = w*h  # 计算相交部分面积
        ovr = inter / (areas[i]+areas[order[1:]] - inter)  # 计算IOU
        inds = np.where(ovr <= thresh)[0]
        order = order[inds+1]
    return keep