转载:https://www.pianshen.com/article/9216329593/
reference:https://github.com/rafaelpadilla/Object-Detection-Metrics
计算mAP的github:https://github.com/Cartucho/mAP
1.TP、TN、FP、FN
True positives(TP): 被正确地划分为正例的个数,即实际为正例且被分类器划分为正例的实例数;
False positives(FP): 被错误地划分为正例的个数,即实际为负例但被分类器划分为正例的实例数;
False negatives(FN):被错误地划分为负例的个数,即实际为正例但被分类器划分为负例的实例数;
True negatives(TN): 被正确地划分为负例的个数,即实际为负例且被分类器划分为负例的实例数。
在目标检测中:
TP:预选框检测检测正确,即IoU>=0.5的预选框
FP:预选框检测检测错误,即IoU<0.5的预选框
FN:未被检测到的ground Truth
TN:不使用。这将代表纠正错误检测。在目标检测任务中,有许多可能的边界框在图像中不应被检测到。因此,TN将是所有可能未被检测到的边界框(图像中有如此多的可能框),这就是指标不使用它的原因。
2. Precision&Recall
精度p=TP/(TP+FP)
召回率c=TP/(TP+FN)
3.AP
AP是在0和1之间的所有召回值的平均精度。就是P-R曲线的曲线下面积。
由于曲线难以计算,所以我们采用11点插值法来求得,2012年后采用8点对应的Percision最大值,求取曲线面积即为AP值。
4.mAP
AP衡量的是对一个类检测好坏,mAP就是对多个类的检测好坏。就是简单粗暴的把所有类的AP值取平均就好了