目标检测：mAP

00&00

于 2025-02-17 20:20:37 发布

阅读量1k

点赞数 11

分类专栏：深度学习人工智能计算机视觉文章标签：人工智能目标检测计算机视觉

本文链接：https://blog.youkuaiyun.com/Wei_sx/article/details/145690056

版权

人工智能同时被 3 个专栏收录

223 篇文章

订阅专栏

深度学习

82 篇文章

订阅专栏

计算机视觉

62 篇文章

订阅专栏

均值平均精度（mean Average Precision，mAP）是计算机视觉中评估目标检测模型性能的重要指标，尤其在处理多个类别时，mAP提供了一个综合的性能评价。它反映了模型在不同IoU阈值下的检测准确率，并能很好地描述模型在实际应用中的表现。

1. 概述

概念：mAP是针对多类别目标检测任务的一种综合评估指标。它通过计算每个类别的平均精度（AP），然后得到所有类别AP的平均值，从而衡量模型在所有类别上的整体性能。

重要性：mAP被广泛应用于各大目标检测的基准数据集（如COCO、PASCAL VOC等），因为其提供了更全面、更细致的性能评估方式，能够反映模型在多个类下的表现差异和优势。

2. 计算方式

计算mAP通常涉及以下几个步骤：

2.1 对每个类别计算AP

        对于每个类别，构建一个精确率-召回率（PR）曲线。
        通过确定不同的置信度阈值，计算在这些阈值下对应的精确率和召回率。
        AP的计算通常是通过对PR曲线下的面积进行积分，或者利用插值法来获得更平滑的AP值。

2.2 平均AP

获取所有类别的AP值后，通过对这些AP值求平均，得到mAP：

$\text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i$

其中， $N$ 为类别总数， $\text{AP}_i$ 为第 $i$ 类别的AP值。

3. 在不同IoU阈值下的计算

在某些标准评估中，mAP的计算不仅考虑单一的IoU阈值，而是会在多个不同的IoU阈值上进行评估。这种做法可以更全面地反映出模型的性能。以COCO数据集为例：

IoU阈值设置：常见的IoU阈值设置为0.5至0.95（每隔0.05取一个值），即计算以下多个IoU值下的AP：

$\text{mAP} = \frac{1}{10} \sum_{t=0.50}^{0.95} \text{AP}_{t}$

这样做的好处可以简要归纳为：
灵活性：能够评估模型在不同重叠度要求下的表现，从而适用于多种应用场合。
全面性：通过多个IoU阈值的考量，确保模型不仅在宽松条件下有效，同时在严格条件下也能表现良好。

4. 计算AP的详细步骤

以下是计算单个类别AP的一般流程：

4.1 生成检测结果

基于模型的输出，针对每个类别生成多个检测结果，包括边界框和置信度评分。

4.2 结果排序

按照每个预测的置信度从高到低对检测结果进行排序。

4.3 计算对应的精确率和召回率

在目标检测中，精确率（Precision）和召回率（Recall）是用来衡量模型预测性能的重要指标。计算这两个指标的关键在于如何将模型的预测结果与真实标注进行匹配。

4.3.1 概念回顾

精确率 (Precision)：在所有模型预测为正的样本中，实际为正的样本比例。

$\text{Precision} = \frac{TP}{TP + FP}$

召回率 (Recall)：在所有实际为正的样本中，正确被模型预测为正的样本比例

$\text{Recall} = \frac{TP}{TP + FN}$

TP (True Positives)：真正例，指被正确预测为正类的样本数。
FP (False Positives)：假正例，指被错误预测为正类的样本数。
FN (False Negatives)：假负例，指被错误预测为负类的样本数。

4.3.2 判断阈值构建

为了计算精确率和召回率，我们需要先对模型生成的检测结果进行处理。通常的步骤如下：

置信度排序：将所有预测的边界框根据置信度（通常是模型预测的概率分数）排序，从高到低。

选择阈值：根据置信度分数选择多个阈值（可以是0.5, 0.6等），用于判断是否接受该预测结果。例如，当置信度大于某个阈值时，我们就认为这个检测结果是可信的。

4.3.3 匹配预测框与真实框

对于每个置信度阈值，按照以下步骤计算TP和FP：

IoU计算：对于每个预测框，与所有真实框计算IoU（Intersection over Union）值。

判断重叠：

如果IoU > 设定的阈值（通常是0.5），则该预测视为TP。
如果IoU ≤ 阈值，且该预测框与真实框无任何重叠，则视为FP。

剔除重复：在计算TP时，每个真实框只允许与一个预测框匹配。如果多个预测框匹配同一个真实框，选择IoU最高的仅作为TP，其他均作为FP。

4.3.4 计算精确率和召回率

通过记录每个预测框的TP和FP，利用前述公式计算对应的精确率和召回率。

4.3.5 记录数据以绘制PR曲线

在不同的置信度阈值下分别计算的精确率和召回率，记录下来用于绘制精确率-召回率（PR）曲线。
PR曲线展示了精确率与召回率之间的权衡关系，通常随着召回率的增加，精确率会有所下降。

4.3.6 实际计算示例

以下是一个简单的Python代码示例，演示如何计算TP、FP及其对应的精确率和召回率：

import numpy as np  

def calculate_precision_recall(det_boxes, gt_boxes, iou_threshold=0.5):  
    # det_boxes: [[x1, y1, x2, y2, confidence], ...]  # 预测框，最后一个值是置信度  
    # gt_boxes: [[x1, y1, x2, y2], ...]  # 真实框  

    tp = 0  
    fp = 0  
    matched_gts = set()  # 用于记录已经匹配的真实框索引  

    # 按照置信度从高到低排序预测框  
    det_boxes = sorted(det_boxes, key=lambda x: x[4], reverse=True)  

    for i, det_box in enumerate(det_boxes):  
        detected = False  
        for j, gt_box in enumerate(gt_boxes):  
            # 计算IoU  
            iou_value = calculate_iou(det_box[:4], gt_box)  

            if iou_value > iou_threshold:  
                if j not in matched_gts:  # 确保每个真实框只被匹配一次  
                    tp += 1  
                    matched_gts.add(j)  
                    detected = True  
                    break  

        if not detected:  # 如果没有匹配到真实框  
            fp += 1  

    # 假定真实框数为 N  
    fn = len(gt_boxes) - len(matched_gts)  # FN = 所有真实框 - 已经匹配的真实框  
  
    # 计算精确率和召回率  
    precision = tp / (tp + fp) if (tp + fp) > 0 else 0  
    recall = tp / (tp + fn) if (tp + fn) > 0 else 0  

    return precision, recall  

# 示例  
det_boxes = [[50, 50, 150, 150, 0.9], [60, 60, 160, 160, 0.75]]  # 预测框  
gt_boxes = [[55, 55, 155, 155]]  # 真实框  

precision, recall = calculate_precision_recall(det_boxes, gt_boxes)  
print(f'Precision: {precision:.4f}, Recall: {recall:.4f}')

4. 绘制PR曲线并计算AP

利用P-R曲线的积分面积或插值方法得到AP值。

5. 实际使用示例

以下是一个简化的Python示例代码，演示如何计算一个类别的AP值：

import numpy as np  
from sklearn.metrics import precision_recall_curve  

def calculate_ap(y_true, y_scores):  
    # y_true: 真实标签（0或1）  
    # y_scores: 预测的置信度得分  
    precision, recall, _ = precision_recall_curve(y_true, y_scores)  
    
    # 计算AP，基于P-R曲线的面积  
    ap = np.trapz(precision, recall)  
    return ap  

# 示例数据  
true_labels = np.array([0, 1, 1, 1, 0, 1, 0])  # 真实标记  
predicted_scores = np.array([0.1, 0.4, 0.35, 0.8, 0.4, 0.9, 0.2])  # 预测得分  

ap = calculate_ap(true_labels, predicted_scores)  
print(f'AP: {ap:.4f}')