tensorflow的object detection api中的evaluation简介

计算mAP

主要有三种有所区别的计算方式

1. 把confidence分为11份，以11个confidence分别为阈值，计算11个recall和precision，最后计算曲线下面积。
2. 假预测结果里面为positive的数据的个数为num，那么我们最多可以得到num个fp，最少0个fp，也就是recall的可能取值为[1/num, 2/num, ... ,1]。以这num个recall为准，计算对应的precision，最后计算曲线下面积。
3. 考虑到一幅图中，真值不可能把所有的物体都框出来，为了保证不误判，在真值里面还会加上每张图的正负标签。比如一张图里面有狗，有人。这个是正标签。这个图里面没有房子，没有树。这个负标签。那么只有出现在正负标签中的类才会用来计算AP。也就是你判断出了标签以外的类，对最终的分数既没有好处也没有坏处。

曲线下面积计算方法：

• sum((recall_n_1-recall_n)*precision)，也就是求曲线面积的公式。recall为横轴，precision为纵轴。

判定fp，tp

1. 计算fp，tp的时候，需要判断预测的box是否和真值的box重合。这里就引出了几种计算法方法
2. 按照box重合度分：
   • AP：分别计算iou阈值为0.5到0.95，步长0.05的AP的平均值
   • AP50：iou阈值为0.5得到的AP
   • AP75：iou阈值为0.7得到的AP
3. 按照box大小
   • APs：box面积小于32*32像素
   • APm：box面积介于32*32到