目标检测算法评价指标之mAP
随着计算机技术的发展和计算机视觉原理的广泛应用,利用计算机图像处理技术对目标进行实时跟踪研究越来越热门,对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。在评价一个目标检测算法的“好坏”程度的时候,往往采用的是pascal voc 2012的评价标准mAP。这篇文章将主要介绍目标检测问题中的最常用的评估指标——mean Average Precision,即mAP。
一、目标检测问题
目标检测,也叫目标提取,是一种基于目标几何和统计特征的图像分割。在目标检测问题中,给定一个图像,找到它所包含的物体,找到它们的位置并对它们进行分类。目标检测模型通常是在一组特定的类集合上进行训练的,所以模型会定位和分类图像中的那些类。另外,如图所示,物体的位置通常采用矩形边界框表示。因此,目标检测涉及了图像中物体的定位和分类。
二、mAP定义及相关概念
1、IoU
IoU 的全称为交并比(Intersection over Union),就是衡量监测框和标签框的重合程度,计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。最理想情况是完全重叠,即比值为1。
2、TP、TN、FP和FN
- TP: IoU>0.5的检测框数量(同一Ground Truth只计算一次)
- FP: IoU<=0.5的检测框,或者是检测到同一个GT的多余检测框的数量
- FN: 没有检测到的GT的数量
如图所示,左半矩形是正样本,右半矩形是负样本。一个2分类器,在图上画了个圆,分类器认为圆内是正样本,圆外是负样本。那么左半圆分类器认为是正样本,同时它确实是正样本,那么就是“被分为正样本,并且分对了”即TP,左半矩形扣除左半圆的部分就是分类器认为它是负样本,但是它本身却是正样本,就是“被分为负样本,但是分错了”即FN。右半圆分类器认为它是正样本,但是本身却是负样本,那么就是“被分为正样本,但是分错了”即FP。右半矩形扣除右半圆的部分就是分类器认为它是负样本,同时它本身确实是负样本,那么就是“被分为负样本,而且分对了”即TN。
3、Precision和Recall
Precision可以理解为查准率,模型预测的所有目标中,预测正确的比例,其中all detctions 代表所有预测框的数量。其计算公式如下:
Recall可以理解为查全率,所有真实目标中,模型预测正确的目标比例,其中all ground truths代表所有GT(人工标注框)的数量。其计算公式如下:
置信度(Confidences)阈值指当前检测框中是某一类别物体的可能性有多大,它描述模型认为此预测边界框包含某类别目标的概率。
4、mAP
mAP平均精度均值,即AP(Average Precision)的平均值,它是目标检测算法的主要评估指标。目标检测模型通常会用速度和精度(mAP)指标描述优劣,mAP值越高,表明该目标检测模型在给定的数据集上的检测效果越好。
AP:PR曲线下的面积。
PR曲线: Precision-Recall曲线。
三、举例计算AP
这里有3张图片,图中绿色的框是我们人工标注的GT Box,红色的框是模型预测到的目标的Bounding Box。
我们通过列表来统计网络所检测到的目标信息,其中GT ID指的是检测到的目标的ID,Confidence是置信度,指当前检测框中是某一类别物体的可能性有多大,它描述模型认为此预测边界框包含某类别目标的概率,按降序排列。OB指的是该预测目标是不是TP,其中以Iou=0.5做为边界。
GT ID | Confidence | OB(IoU=0.5) | Precision | Recall |
1 | 0.98 | True | 1.0 | 0.14 |
3 | 0.89 | True | 1.0 | 0.28 |
6 | 0.88 | True | 1.0 | 0.42 |
7 | 0.78 | True | 1.0 | 0.57 |
3 | 0.66 | False | 0.80 | 0.57 |
1 | 0.61 | False | 0.66 | 0.57 |
4 | 0.52 | True | 0.71 | 0.71 |
根据刚刚计算的precision和recall,以precision为纵坐标,recall为横坐标可以绘制出这个P-R曲线.
然后用同样方法可以计算得出其他类别的AP,最后取所有类别的AP的均值就可以得到mAP,mAP值越大表明,该目标检测模型在给定的数据集上的检测效果越好。
四、总结
根据 mAP 的高低,我们只能较为概括地知道网络整体性能的好坏,但比较难分析问题具体在哪。
目标检测算法评价指标之mAP相关推荐
- 《南溪的目标检测学习笔记》——目标检测的评价指标(mAP)
1 介绍 在本文中我们将介绍目标检测任务中的mAP~ 2 COCO-mAP 在介绍mAP时,我们选择的是COCO-mAP,这是现在最为流行的指标: 关于COCO-mAP的形象解释,请参考视频<霹 ...
- 目标检测精度评价指标
在目标检测领域中,存在着很多精度评价指标,需要根据应用场景自主的选择更合适的评价指标. 有人举过一些很典型的例子: 倘若某人声称创建了一个能够识别登上飞机的恐怖分子的模型,并且准确率(accuracy ...
- 目标检测算法之常见评价指标的详细计算方法及代码解析
前言 之前简单介绍过目标检测算法的一些评价标准,地址为目标检测算法之评价标准和常见数据集盘点.然而这篇文章仅仅只是从概念性的角度来阐述了常见的评价标准如Acc,Precision,Recall,AP等 ...
- 目标检测算法的评价指标
目标检测算法的评价指标 0 不同比赛中的指标 1 基础概念 1.1 Intersection over Union (IoU) 1.2 Predictions: TP - FP - FN - TN 1 ...
- Detection:目标检测常用评价指标的学习总结(IoU、TP、FP、TN、FN、Precision、Recall、F1-score、P-R曲线、AP、mAP、 ROC曲线、TPR、FPR和AUC)
目录 前言 1. IoU 2. TP.FP.TN.FN 2.1 混淆矩阵 2.2 TP.FP.TN.FN的定义 2.3 TP.FP.TN.FN在目标检测中的对应内容 2.3.1 TP,FP在目标检测中 ...
- 目标检测的评价指标P,R,mAP
目标检测的评价指标P,R,mAP 1 基本概念 1.1 IOU(Intersection over Union) 1.2 TP TN FP FN 2. 各种率 2.1 根据IOU计算Precision ...
- 目标检测算法之评价标准AP,mAP
TP.TN.FP.FN概念 首先有关TP.TN.FP.FN的概念.大体来看,TP与TN都是分对了情况,TP是正类,TN是负类.则推断出,FP是把错的分成了对的,而FN则是把对的分成了错的.(我的记忆方 ...
- ap 目标检测算法map_目标检测算法的评估指标:mAP定义及计算方式
前面依次介绍了: 本节介绍目标检测算法的评估指标:mAP定义及计算方式 mAP:mean Average Precision,平均精度均值,即AP(Average Precision)的平均值,它是目 ...
- 目标检测扩(六)一篇文章彻底搞懂目标检测算法中的评估指标计算方法(IoU(交并比)、Precision(精确度)、Recall(召回率)、AP(平均正确率)、mAP(平均类别AP) )
基本在目标检测算法中会碰到一些评估指标.常见的指标参数有:IoU(交并比).Precision(精确度).Recall(召回率).AP(平均正确率).mAP(平均类别AP)等.这些评估指标是在评估 ...
最新文章
- MPB:农科院牧医所赵圣国组-微生物超高分子量DNA提取方法
- javaee 架构师之路
- 基于Unity3d 引擎的Android游戏优化
- linux 函数 缩小文件,linux文件系统的处理函数
- 安装hadoop2.6.0伪分布式环境
- 【C++基础】常见面试问题(二)
- kafka topic 目录存放在哪_Kafka系列文章之安装测试-第2篇
- ML《决策树(三)CART》
- 单频和混频是什么意思_科研| 谐波混频器常见电路小结
- DisplayTag用法
- 中国四大资产管理公司 ACM
- java数据过载,处理服务器过载的三大解决方法
- T检验和F检验\自由度
- win7蓝牙怎么连接_小米智能手环怎么连接手机蓝牙
- Treeview 无限分类非递归终极解决方案VB
- 怎么样才能进入BAT公司的研发部门
- 好好说话之Use After Free
- 数字功放和模拟功放有哪些区别
- DFS序——树链剖分前驱知识
- Vue ElementUI table给表格一个斜线分隔线
热门文章
- Android模拟器虚拟串口实现串口通信
- @[TOC](CDN防御与高防服务器防御的区别
- JetBrains 又出了一款新神器,一套代码适应多端!
- IIS6.0文件解析缺陷(asa,cer,cdx)
- 执行SQL语句的时候唯一约束字段异常Duplicate entry '33382-1-0' for key xxx
- 永信至诚发起亿元创投基金 主投网络安全创业者
- 来自谷歌大脑的SpineNet:一种非常规的主干结构
- python ppt_python操作Power Point:PPT幻灯片布局基础
- 天蓝色在ps中的色值_用天蓝色构建混合云
- 大学生如何进行个人理财