文章目录

前言
一、IoU和TP、FP、TN、FN的概念
- IoU（Intersection over Union）：
- TP、FP、TN、FN
二、Precision和Recall
- 1.Precision
- 2.Recall
三、AP（P-R曲线下的面积）
四、map的计算

前言

如何评估一个训练好模型的好坏，是目标检测中一个很重要的因素，如常见的TP、FP、AP、PR、map等，这些概念很容易混淆，搞了两天才搞明白，写一篇博客总结一下，方便以后复习。

一、IoU和TP、FP、TN、FN的概念

IoU（Intersection over Union）：

IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。
计算公式为：

两个框交域和并域的比值就是交并比。

TP、FP、TN、FN

TP：被正确分类为正样本的数量；实际是正样本，也被模型分类为正样本
FP：被错误分类为正样本的数量；实际是负样本，但被模型分类为正样本
TN：被正确分类为负样本的数量；实际是负样本，也被模型分类为负样本
FN：被错误分类为负样本的数量；实际是正样本，但被模型分类为负样本

举个例子，比如下面这张图：

红色是预测框，绿色是真实框。
假设阈值为0.5，意思就是预测框与真实框的IoU大于等于0.5时认为检测到目标了。
TP是IoU>0.5的检测框数量（在同一真实框下只计算一次），图中的框①。
FP是IoU<=0.5的检测框数量，图中的框②。
FN是没有被检测到的框数量，图中的框③。

二、Precision和Recall

1.Precision

计算公式：

P = TP / (TP + FP)

Precision是针对预测结果而言的，含义是在预测结果中，有多少预测框预测正确了。
但是光靠一个Precision指标是有缺陷的，比如在下面这种情况中：

在预测结果中，预测正确的目标有一个，预测错误的目标有0个，所以TP=1，FP=0，则P=1，但是图中除了①，②③④⑤都没有检测出来，所以单靠一个Precision指标肯定是不行的。

2.Recall

计算公式：

R = TP / (TP + FN)
Recall是针对原样本而言的，含义是在所有真实目标中，模型预测正确目标的比例。
但是单靠Recall来判断模型预测结果好坏也不行，比如下面这种情况：

此时目标都没有漏检，TP=5，FN=0，R=1，但是检测效果并不好。因此我们需要用Precision和Recall共同来评判我们模型的好坏，也就是AP。

三、AP（P-R曲线下的面积）

这里推荐b站一位up的视频，讲的非常详细
对于以下三张猫的图片，分别对每张图片进行统计，并存入一个表格中，这个表格是按照置信度降序排序的：

此时真实框有两个，所有num_ob=2（num_ob是累加起来的），当IoU大于等于0.5时，认为检测到了目标。

此时num_ob=3，这张图片只有一个真实框，所以num_ob+=1，

最后得到左边的一张表格，先从第一个元素开始计算Precision和Recall，一次累加一个元素，直到表格中所以元素计算完成为止。

此时我们会得到右边的一张表格，按照这个表格，我们就可以绘制P-R曲线了，在绘制前需要删除一些Recall重复的数据，如图中的第五和第六个数据。

AP = （当前点的Recall值 - 上一个点的Recall值）x 当前点以及后面所有Precision值最大的点

四、map的计算

上面的0.6694就是猫所对应的AP值，采用这个方法，我们可以计算出所有类别所对应的AP值，再除以类别的个数，就得到了map。

目标检测中map的计算相关推荐

车牌检测中mAP的计算
出于最近进行车牌检测与识别的项目需要,因此开设该博客进行相关学习的手把手记录,以便于后期的回顾. 首先附上目标检测中mAP的原文链接: http://tarangshah.com/blog/2018- ...
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 ...
对于目标检测中mAP@0.5的理解
文章目录前言 mAP@0.5 AP是Precision-Recall Curve(PRC)下面的面积!!! 理一下思路参考前言一直不是很理解目标检测中的mAP是如何的,今天具体来写一下,加深一 ...
目标检测中的mAP是什么含义？
目标检测中的mAP是什么含义? 1.mAP定义及相关概念 mAP: mean Average Precision, 即各类别AP的平均值 AP: PR曲线下面积,后文会详细讲解 PR曲线: Preci ...
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 ...
目标检测中如何定义正负样本，和正负样本在学习过程中loss计算起的作用
如何定义正负样本,和正负样本在学习过程中loss计算起的作用正负样本定义分类和回归head如何学习和利用划分后的正负样本(loss如何计算) 正负样本在分类中loss计算的处理正样本在bbox ...
目标检测中准确率accuracy的计算（precision是精度、查准率）（Recall是召回率、查全率）
准确率定义为: 查准率P和查全率R分别定义为: 查准率关心的是"预测出正例的正确率"即从正反例子中挑选出正例的问题. 查全率关心的是"预测出正例的保证性"即从正 ...
目标检测中特征融合技术（YOLO v4）（下）
目标检测中特征融合技术(YOLO v4)(下) ASFF:自适应特征融合方式 ASFF来自论文:<Learning Spatial Fusion for Single-Shot Object D ...

目标检测中map的计算