一、精确率和召回率

说道AP，那不得不提准确率和召回率。首先我们来看他们的计算公式

精确率： $Precision = \frac{TP}{TP+FP}$

召回率： $Recall = \frac{TP}{TP+FN}$

其中，TP，FP，FN出自一个混淆矩阵，这里我们不展示这个混淆矩阵的定义，我们直接说这些变量的定义。

TP：检测器输出的结果中正确的个数

FP：检测器输出的结果中错误的个数

FN：ground truth中未被找出的个数，FN = ground truth总数 - TP

可以看出，精确率的分母部分即检测器检测出该类别的框的总数；召回率的分母部分即ground truth给出的该类别的框总数。

那么通俗的说：精确率表示检测器找出的框有多少是对的，衡量误检程度。召回率表示检测器找出的正确框占ground truth的百分之多少，衡量漏检程度。

举个例子：

对于某一个类别，检测器输出有5个框，其中有3个框是正确的，有2个框是错误的。而这张图像中该类别共有10个框。

可得：TP = 3，FP = 2，FN = 7

准确率 $Precision = \frac{3}{3+2} = 0.6$

召回率 $Recall = \frac{3}{3+7} = 0.3$

我们可以试想一下以下两个极端情形：

当一个检测器给出了数量巨多的目标框，它将很容易找出所有的ground truth，即广撒网。那么它的召回率将是100%，而它的精确率将会非常低。

当一个检测器只检测出了一个目标，并且这个目标是正确的，但是ground truth有10个目标。那么它的精确率将是100%，而它的召回率将会很低。

通过这两个情形可以知道，精确率和召回率是有一定矛盾的存在。

那么有没有什么指标能够综合一下精确率和召回率呢，那么AP就登场啦~

二、PR曲线

很多AP的定义中都有说，AP是PR曲线的曲线下面积，那么PR曲线是什么呢？它是怎么绘制出来的呢？

PR曲线即精确率-召回率曲线，它的绘制过程我们用一个实例来说明会更简单些，这个例子来自（目标检测中的AP，mAP），下面例子相关的图片也来自这里，如有侵权，我删了自己画……
假设一张图像中有5个待检测目标，而我们的检测器给出了10个框，根据框的置信度由高到低进行排序，得到下表（图）：

表中，Rank一列表示框按置信度由高到低排列后的序号，correct表示该框是否正确，Precision表示计算出的精确率，Recall表示计算出的召回率。

精确率和召回率的计算是一个不断累计的过程，而不是每个框独立的。

例如：

在第一个框时，精确率 = 1/1 =1.0，召回率 =1/5 = 0.2；

在第二个框时，精确率 = 2/2 = 1.0，召回率 = 2/5 = 0.4；

在第三个框时，精确率 = 2/3 = 0.67，召回率 = 2/5 = 0.4；

……

这时，我们根据精确率和召回率，就能绘制出PR曲线：

这时我们需要求精确率的平均值，就等于该曲线的曲线下面积取平均。

三、AP计算

通过上面的讲解，AP的计算应该就很简单了，求曲线下面积就类似积分。因为数据是离散的，所以一般会设定采样点，一般在横轴0~1范围内平均分为10或者100段，最后采样的值相加除以采样点数即可。在大多数标准中还会对曲线做平滑处理方便计算，可以免去插值的烦恼。

四、mAP

在多类别的目标检测任务中能看到mAP这个指标，m是mean平均值，它是指所有类别的AP的平均值。

一个超级好用个调试APP，前往应用市场

通俗地讲解目标检测中AP指标相关推荐

目标检测中的指标都是什么意思
怎样才算检测正确? IOU大于指定阈值? 类别预测正确? confidence大于指定阈值? 三者都需要计入我们的考虑范围. 什么是mAP? TP(True Positive): IoU>0.5 ...
【通俗理解】目标检测中的评价指标查准率P和查全率R是什么意思？
以猫咪检测例,假如一幅图中有 4 只猫,模型预测了 5 个框,其中 3 个是猫.2 个是背景. 查准率(精确率)P 找到的目标是确实是猫的概率, 总共 5 个预测框, 其中是猫的有 3 , P = 3 ...
目标检测中的Iou与map指标详细介绍（零基础）
目标检测中的Iou与map指标详细介绍(零基础) 最近在算法岗实习,更新的频率会低一点,希望在实习过程中学到更多有用的视觉知识. IOU指标下图中Ground truth为标记的正确框,Predic ...
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
TP.FP.FN.TN 分类中TP.FP.FN.TN含义目标检测中TP.FP.FN.TN的含义 precision .recall .accuracy precision recall accura ...
目标检测中NMS和mAP指标中的的IoU阈值和置信度阈值
有时候路走的太远,会忘了为什么要出发. 学习亦如是在目标检测中,经常看到置信度阈值和IoU阈值这两个关键参数,且NMS计算和mAP计算中都会有这两个,那它们的区别是什么?本文就这个问题做一次总结. ...
目标检测的评估指标mAP的那些事儿
对于使用机器学习解决的大多数常见问题,通常有多种可用的模型.每个模型都有自己的独特之处,并随因素变化而表现不同. 每个模型在"验证/测试"数据集上来评估性能,性能衡量使用各种统计量 ...
目标检测中的性能提升方法综述
文章目录一.多尺度检测 1.什么是多尺度检测? 2.降低下采样率与空洞卷积 3.多尺度训练 4.优化Anchor尺寸训练 5.深层与浅层特征融合 6.SNIP,尺度归一化 7.TridentNet, ...
OTA：目标检测中的最优传输分配
该论文主要是关于目标检测中的标签分配问题,作者创新性地从全局的角度重新审视了该问题,并提出将标签分配问题看成是一个最优运输问题.要知道最优传输问题是当前最优化理论和GAN理论研究领域中的一个很火的研究 ...
【深度学习】什么是目标检测中的平均精度均值(mAP)？
计算机视觉界已经集中在度量 mAP 上,来比较目标检测系统的性能.在这篇文章中,我们将深入了解平均精度均值 (mAP) 是如何计算的,以及为什么 mAP 已成为目标检测的首选指标. 目标检测的快速概述 ...

通俗地讲解目标检测中AP指标