一、定义

1.1、TP

TP（True Positive）：IoU>0.5的检测框数量；检测成正样本，且检测对了（本质是正样本）

1.2、FP

FP（False Positive）：IoU<=0.5的检测框数量（误检）；检测成正样本，但检测错了（本质是负样本）

1.3、FN

FN（False Negative）：没有检测到的GT的数量（漏检）；检测成负样本，但是检测错了（本质是正样本）

1.4、Precision

Precision：也叫查准率：指模型预测的所有目标中，预测正确的比例。
公式：

P r e c i s i o n = T P T P + F P Precision=\frac{TP}{TP+FP} Precision=TP+FPTP

1.5、Recall

Recall：也叫查全率：指所有真实目标中，模型预测正确的目标比例。
公式：

R e c a l l = T P T P + F N Recall=\frac{TP}{TP+FN} Recall=TP+FNTP

1.6、AP

AP：指PR曲线（Precision-Recall曲线）下的面积

1.7、mAP

mAP（mean Average Precision）：即每个类别AP的平均值。

二、mAP计算过程（实例）

以猫为例步骤：

如下图1，绿色框是我们人工标注好的GT Box, 红色框是我们网络预测的bounding box。先累加我们训练集中目标的个数，图1有两个目标，所以num_ob = 2;再用一个列表来统计我们网络中所检测到的目标信息（按Confidence降序排列），表头GT ID=预测框对应的GT id (并不是每个GT id都会出现在表格中，有可能预测框根本就没有检测到某个GT,如图1的GT id=2)，Confidence=预测目标的一个概率，OB=这个预测框是否是TP（用IOU>0.5来判断,而不是用Confidence）。
第二张图，第三张图…以此类推，将数据集中所有的猫的预测框信息加入这个表格中，假设得到如图2的表格
用图2的预测框信息表格，以Confidence=0.98, 计算对应的Precision和Recall，输入Precision-Recall表格
理解：
TP=当前满足Confidence的预测框中OB=True的个数；
FP=当前满足Confidence的预测框中OB=False的个数
FN：总目标个数为7，但这里只检测到了1个（1），所有他这里漏检了6个，所以FN=6
再以Confidence= 0.89, 0.88, 0.78, 0.66…计算每一步的Precision和Recall,得到如下图3右边的Precision-Recall表格。
将Recall相同的信息只保留Precision最大的，删除多余的信息。再以Recall为横坐标，Precision为纵坐标生成对应的Precision-Recall图：
计算猫的 A P = ( 0.14 − 0 ) ∗ 1.0 + ( 0.28 − 0.14 ) ∗ 1.0 + ( 0.42 − 0.28 ) ∗ 1.0 + ( 0.57 − 0.42 ) ∗ 1.0 + ( 0.71 − 0.57 ) ∗ 0.71 = 0.6694 AP = (0.14-0)*1.0 + (0.28-0.14)*1.0 + (0.42-0.28)*1.0 +(0.57-0.42)*1.0 + (0.71-0.57)*0.71=0.6694 AP=(0.14−0)∗1.0+(0.28−0.14)∗1.0+(0.42−0.28)∗1.0+(0.57−0.42)∗1.0+(0.71−0.57)∗0.71=0.6694
同理计算出其他种类的AP, 再对所有AP取和求平均得到最终mAP.

三、YoLo输出结果的理解

AP(这里其实就是mAP):
第一行表示coco评价指标（最常用的一个指标），即IoU = [0.5, 0.95]，每间隔0.05取一个IoU，算出每个IoU对应的mAP,再取所有mAP的平均值，即AP;
第二行表示voc评价指标，就是IoU = 0.5，算出其对应的mAP，即 A P I o U = . 50 AP^{IoU=.50} APIoU=.50
第三行表示更加严格的一个指标（如果对定位要求比较高就用这个），就是IoU=0.75对应的mAP, 即 A P I o U = . 75 AP^{IoU=.75} APIoU=.75
AP Across Scales（针对不同尺度的mAP，到具体的项目具体分析要不要用下面的mAP）:
A P s m a l l AP^{small} APsmall: 对小目标 ( a r e a < 3 2 2 area < 32^2 area<322) 计算得到的mAP
A P m e d i u m AP^{medium} APmedium: 对中目标 ( 3 2 2 < a r e a < 9 6 2 32^2 < area < 96^2 322<area<962) 计算得到的mAP
A P l a r g e AP^{large} APlarge: 对大目标 ( a r e a > 9 6 2 area > 96^2 area>962) 计算得到的mAP
AR (召回率可以用于分析数据集的目标框情况)：
A R s m a l l AR^{small} ARsmall: 设置每张图片最多1个目标框情况下得到的AR
A R m e d i u m AR^{medium} ARmedium: 设置每张图片最多10个目标框情况下得到的AR
A R l a r g e AR^{large} ARlarge: 设置每张图片最多100个目标框情况下得到的AR

Reference

https://www.bilibili.com/video/BV1ez4y1X7g2
链接: 代码.
https://blog.csdn.net/Gentleman_Qin/article/details/84800188

【目标检测】目标检测中常见的评价指标相关推荐

机器学习中常见的评价指标总结
文章目录 1. 评价指标的种类 2. 分类任务的评价指标 2.1 分类任务的一些概念 (1) 交并率(IoU, Intersection over Union) (2)NMS (3)TP.FP.FN. ...
信息检索IR评价中常见的评价指标-MAP\NDCG\ERR\P@10等
信息检索评价是对信息检索系统性能(主要满足用户信息需求的能力)进行评估的活动.通过评估可以评价不同技术的优劣,不同因素对系统的影响,从而促进本领域研究水平的不断提高.信息检索系统的目标是较少消耗情况下 ...
深度学习、目标检测情景中常见的模型评测指标
作者:RayChiu_Labloy 版权声明:著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处二分类混淆矩阵: 图: 贴心的给出中文图: 四种情况的解释假设我们现在要做从有狗有猫 ...
红外弱小目标检测：常见的评价指标
本文总结红外弱小目标检测领域论文中经常出现的算法评价指标,并对部分评价指标用MATLAB实现. 目前总结的评价指标最为常见,像检测率.ROC曲线这些都要基于大量的实验才能得到数据,进而绘制表格或曲线对 ...
【目标检测基础积累】常用的评价指标
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! [导读]目标检测(Object Detection)是计算机视觉中四大基础任务之一 ...
[目标检测]目标检测的评价指标MAP（上）
目录 1. IOU 2. TP.FP.FN.TN 3. Precision.Recall 4. 评价指标 4.1 Precision-Recall曲线 4.2 AP平均精度 4.2.1 11点插值法 ...
3D目标检测深度学习方法中voxel-represetnation内容综述（三）
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达前言前两篇文章:3D目标检测深度学习方法中voxel-represetnation内容综述(一).3 ...
目标检测和分割中Backbone技术总结
目标检测和分割中Backbone技术总结 VGG (2014) ResNet系列 ResNet (2015) ResNeXt ResNeSt Inception系列 Inception v1 Ince ...
如何在超大分辨率的图片中检测目标？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达文章导读本文通过一篇YOLT的文章引出超大分辨率的图片遇到目标检 ...

【目标检测】目标检测中常见的评价指标

目录