深入理解目标检测中的 Recalls, Precisions, AP, mAP

最新推荐文章于 2025-03-19 15:56:58 发布

ygdwxx

最新推荐文章于 2025-03-19 15:56:58 发布

阅读量760

点赞数

分类专栏：计算机视觉文章标签：自动驾驶深度学习计算机视觉机器学习 pytorch

本文链接：https://blog.youkuaiyun.com/yangguidewxx/article/details/108295553

版权

计算机视觉专栏收录该内容

1 篇文章

订阅专栏

1. 混淆矩阵：
混淆矩阵(confusion matrix)，是分类任务中非常重要的评测指标。如下图所示：
在这里插入图片描述
2. 真值和预测值的概念
Actual value：也叫ground truth，真实的值，即感兴趣的目标在图片上的真实坐标。
predicted value：即模型预测出来的坐标。

3. TP、FP、FN、TN的概念
TP(TruePositive): 正确预测出正类别的数量
FP(FalsePositive)：错误预测出正类别的数量
FN(FalseNegative): 错误预测出负类别的数量
TN(TrueNegative): 正确预测出负类别的数量

4. Recalls和Precisions的概念
Recalls：召回率，即某个类别被预测为正确的数量除以总数，公式表示如下：
在这里插入图片描述
比如一张图中有5个标注为人的ground truth，但你正确预测出的人只有2个，那么对于这张图，人的recalls就是2/5。
Precisions：精准率，就是你在检测的结果里面，实际上真正正确的数量占比大小，公式表示如下：
在这里插入图片描述
TP就是正确预测出正类别的数量， FP错误预测出正类别的数量。比如一张图中有3个标注为人的ground truth，但是你预测出的框只有一个正确框准人，另外两个框没有框准人，即TP=1, FP=2, precision=1/3。

5. AP（Average precision）
在介绍AP之前，先引入Precision-recall曲线概念。Precision-recall曲线（PR曲线）与ROC曲线的区别是横轴和纵轴不同，PR曲线的横轴Recall也就是TPR，反映了分类器对正例的覆盖能力。而纵轴Precision的分母是识别为正例的数目，而不是实际正例数目。Precision反映了分类器预测正例的准确程度。那么，Precision-recall曲线反映了分类器对正例的识别准确程度和对正例的覆盖能力之间的权衡。对于随机分类器而言，其Precision固定的等于样本中正例的比例，不随recall的变化而变化。
与AUC相似，AP就是PR曲线与X轴围成的图形面积。

6. mAP（Mean Average Precision）
mAP就是所有类别的AP求平均值。

参考网页：
https://www.cnblogs.com/shixiangwan/p/7215926.html?utm_source=itdadao&utm_medium=referral
https://zhuanlan.zhihu.com/p/79186684