文章目录
-
- [1. 评价指标](#1. 评价指标)
- [2. 计算示例](#2. 计算示例)
- [3. COCO评价指标](#3. COCO评价指标)
1. 评价指标
在目标检测领域，比较常用的两个公开数据集：pascal voc和coco。
目标检测与图像分类明显差距是很大的，在图像分类中，我们通常是统计在验证集当中，分类正确的个数除以验证集的总样本数就能得到准确率。
那么对于目标检测，怎么样才能算检测正确呢？
TP（True Positive）：IoU>0.5的检测框数量（同一Ground Truth只计算一次）
FP（False Positive）：IoU<=0.5的检测框（或者是检测到同一个GT到多余检测框的数量）
FN（False Negative）：没有检测到的GT的数量
Precision： T P T P + F P \frac{TP}{TP+FP} TP+FPTP模型预测的所有目标中，预测正确的比例 - 查准率
Recall： T P T P + F N \frac{TP}{TP+FN} TP+FNTP所有真实目标中，模型预测正确的目标比例 - 查全率
AP：P-R曲线下面积
P-R曲线：Precision-Recall曲线
mAP：mean Average Precision，即各类别AP的平均值
2. 计算示例
当我们recall有重复值时，只用保留Precision值最大的信息。
以Recall为横坐标，以Precision为纵坐标，得到PR曲线。
阴影部分的免费则就说AP值，即
A P = 0.57 × 1.0 + ( 0.71 − 0.57 ) × 0.71 = 0.57 + 0.0994 = 0.6694 AP = 0.57\times 1.0 + (0.71-0.57)\times 0.71 = 0.57+0.0994 = 0.6694 AP=0.57×1.0+(0.71−0.57)×0.71=0.57+0.0994=0.6694
这里求的的AP为对应猫这个类别的AP值。使用同样的方法求出其他类别的AP值，最后求出所有类别AP的均值，就得到了mAP。
注意：
在我们所有网络给出的结果都是经过非极大值抑制处理后所得到的目标边界框。
3. COCO评价指标
官网文档：https://cocodataset.org/#detection-eval
