目标检测，实例分割IOU，precision, recall, mAP详解

原创

已于 2023-03-17 10:28:02 修改 · 5.1k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #计算机视觉 #深度学习

于 2023-03-17 09:45:54 首次发布

mAP（平均精度均值）是评估目标检测和分割任务的标准，基于precision和recall的曲线下的面积。IOU用于计算目标框或mask的重叠程度。precision是正确预测的比例，recall是正确预测的正样本数占比。AP通过插值法或AUC计算，COCO数据集使用多个IOU阈值计算mAP。

该文章已生成可运行项目，

经常在目标检测，分割的paper中看到mAP这样的评价标准，
那么mAP到底是什么呢？

AP（Average precision）是评价目标检测和分割的标准，有box mAP, mask mAP.
看名称Average precision, 就能猜到是计算precision的均值。

它其实计算的是大家熟知的precision, recall图中，不同recall对应的precision的均值（ROC curve下面积）。

所以要从precision, recall, IOU入手。

IOU

如果是目标框，计算的就是目标框的intersection / union

在这里插入图片描述

如果是mask, intersection计算的是点积(mask拉成一维，再点积)
上代码比较容易明白。

def mask_iou(masks_a, masks_b, iscrowd=False):
    """
    Computes the pariwise mask IoU between two sets of masks of size [a, h, w] and [b, h, w].
    The output is of size [a, b].
    """

    masks_a = masks_a.view(masks_a.size(0), -1)
    masks_b = masks_b