AP、mAP计算

概念

AP计算 PR曲线的与坐标轴围成的图形的面积
mAP 所有类别的AP的均值
参考链接https://www.bilibili.com/video/BV1ez4y1X7g2?from=search&seid=13320469311104224558
sklearn中计算AP的函数sklearn.metrics.average_precision_score(y_true, y_score, average=‘macro’, sample_weight=None)
y_true:标签
y_score:预测值
这个函数不能直接在目标检测中计算ap,因为这个不能体现ground truth的数量

计算过程

对于某个类别， 比如狗。

• 有非常多张图像上检测到了有狗，每张图片上不止一个。
• 所有图片上狗的总数为T,即Ground Truth的数目。
• 这些图形输入到网络，检测得到的预测框bounding box,可能与ground truth 有交集，也可能没有交集。
• bounding box与ground truth 的 IOU>0.5的认为是正样本，小于0.5的认为是负样本。
• 每个bounding box都有一个置信度，即属于狗的概率（?）

计算步骤

1. 按置信度对所有的bounding box排序
2. 按置信度取阈值，大于等于阈值的为True, 置信度小于阈值的为False
3. 计算不同阈值下的TP、FP、FN$。Precission=\frac{TP}{TP+FP}$ ,$Recall=\frac{TP}{TP+FN}$。同一Recall值下，取最大的Precission。
4. 计算PR曲线与坐标轴围成的面积，即为AP
5. 如果有多个类别，计算AP的均值，即为mAP。
   示例如下
   图片来自https://www.bilibili.com/video/BV1ez4y1X7g2?from=search&seid=13320469311104224558
   总共输入了三张图片，有7个目标框。绿色的是ground truth，红色的是预测的bounding box.
   
   
   按置信度排序。
   
   置信度取0.98时precision和recall
   
   最终结果如下
   
   绘制PR曲线即计算AP