【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05

指标

指标有检测精度和检测速度之分：
在这里插入图片描述

mAP是一个容易混淆的概念。计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。在YOLO中，最后两个数值会乘起来表示一个置信度数值。

此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。

目标检测有多个类别，一个类别计算出的AP数值，所有类别平均AP数值称为mAP（mean Average Precision）。

原label的bbox与模型预测的bbox的交并比为IoU：
在这里插入图片描述

精确率公式：
在这里插入图片描述
召回率公式：

精确率和召回率是由混淆矩阵中的数值得到，其中的TP、FP、TN、FN都是会“IoU数值阈值”和“置信度阈值”影响的。

举例来说，当IoU取值为0.5，对于某一个类别，取不同“置信度阈值”，我们会得到不同的TP、FP、TN、FN，也就是不同的P和R，则可以绘制P-R曲线：
在这里插入图片描述

得到P-R曲线之后，计算P-R曲线下方的面积【也称为AUC】即是这个类别的AP数值（最大为1）。计算方法多种多样，可以自行搜索。

即是IoU取值为0.5，计算出模型的mAP数值。

即是 IoU ∈ [0.5 : 0.05 : 0.95] ，每一个IoU计算出一个mAP，最后求平均值。
显然，mAP_0.5,0.95,0.05的数值会比mAP_0.5的数值要小，因为IoU越大，mAP一般就会越小。

标签：深度学习目标检测人工智能

本文转载自: https://blog.csdn.net/x1131230123/article/details/127740011
版权归原作者 XD742971636 所有，如有侵权，请联系我们删除。