学做面包的网站seo搜索引擎优化内容

学习视频：
霹雳吧啦Wz-目标检测mAP计算以及coco评价标准
【目标检测】指标介绍：mAP

1 TP/FP/FN

• 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的多余检测框的数量)，误检的个数
• FN(False Negative) : 没有检测到的GT的数量，漏检的目标的个数

1.1 举例分析

上面的图中有两只小猫，绿色的是他们的标注框，可以看到模型对于蝴蝶结小猫这个目标预测了两个目标框，分别为红框和黄框

• 红色预测框和标注框的IOU>0.5，所以红框为TP
• 黄色预测框和标注框的IOU<0.5，所以红框为FP
• 模型对于铃铛小猫是没有预测出任何框的，所以为FN

2 Presion和Recall

• Precision（查准率）: 模型预测的所有目标(TP+FP)中，预测正确的（TP）比例 $Precision=TP/(TP+FP)$

• Recall（查全率）: 所有真实目标（TP+FN）中，预测正确（TP）的比例 $Recall=TP/(TP+FN)$，其中TP+FN = GT的个数，即图片中出现的所有预测框的个数

2.1 举例

仅凭借其中一个指标无法说明模型的好坏。

2.1.1 precision

图片中有5个目标，但是模型只检测出一个目标（1个红色框），没有其他任何的检测框，所以TP=1，FP=0，故P = 1，因此P高并不能说明模型检测效果好。

2.1.2 recall

假设模型一次给出了50个预测框，包括了图中的5个目标，故TP=5，由于没有漏检目标，故FN=0，因此recall=1，故R高也不能说明模型预测的好。

3 Average Precision

平均精度(Average Precision, AP) 是目标检测算法的热门衡量指标。衡量了模型对正样本的预测准确性。

通过在不同的召回率下计算并平均精确率来得到，形成了一个曲线下的面积值。较高AP 值意味着模型具有更好的检测性能，而AP=1表示模型的检测是完美的。

• 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

3.1 举例分析

使用yolov5来进行预测，图片的标注为左图所示，yolov5预测的结果如右图所示，可以看到模型预测的有错误：没有预测到窗户里的人，错把一只小狗预测成了泰迪

原图中共有2+12+1+1=16个目标

由于平均精度（AP）是按照类别来计算的。那么下面先计算狗的平均精度。

步骤1： 首先列出狗类所有预测框的置信度并且判断是TP还是FP

步骤2：计算精确度和召回率

表格解释：Conf.置信度；Matches：是否为TP/FP；Cumulative TP：对TP数量进行累计；Cumulative FP：对FP数量进行累计；

其中GT的数量为16

步骤3：绘制PR曲线


（未完待续）

4 CoCo数据集评价指标

可以看到CoCo数据集给出了比较多的评价指标，下面分析他们的具体含义。

4.1 Average Precision(AP)

$AP$：当IoU从0.5-0.95范围内取10个值（间隔0.05），计算到的AP的均值，CoCo最主要的评价指标

$A{P}^{IoU=0.5}$：当iou取0.5时计算出的AP值

$A{P}^{IoU=0.75}$：当iou取0.75时计算出的AP值，要求更为严格

4.2 AP Across Scales

$A{P}^{small}$：针对小目标，目标像素面积<32平方
$A{P}^{medium}$：中等目标,32<目标像素面积<96
$A{P}^{large}$：大目标，目标像素面积>96

4.3 Average Recall(AR)

$A{R}^{max=1}$：每张图片只给出一个检测目标
$A{R}^{max=10}$：每张图片给出10个检测目标
$A{R}^{max=100}$：每张图片给出100个检测目标

4.4 AR Across Scales

$A{R}^{small}$：针对小目标，目标像素面积<32平方
$AR{P}^{medium}$：中等目标,32<目标像素面积<96
$A{R}^{large}$：大目标，目标像素面积>96