目标检测中常见指标

Posted aoeiuv~

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了目标检测中常见指标相关的知识,希望对你有一定的参考价值。

1、正例与负例

现在假设我们的分类目标只有两类,计为正例(positive)和负例(negtive),然后我们就能得到如下的四种情况:

(1)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(样本数);loU>0.5的检测框数量(同一Ground Truth只计算一次)

(2)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; loU<=0.5的检测框(或者是检测到同一个GT的多余检测框的数量

(3)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;没有检测到的GT的数量

(4)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。

通俗理解TP、FP、TN、FN
TP真的很真。FP把假的认成了真的,假的真不了。TN真的是假的。FN把真的认成了假的,真的假不了。

2、P(精确率)

P 代表 precision,即精确率,精确率表示预测样本中实际正样本数占所有正样本数的比例,计算公式为:

精确率 = 正确预测样本中实际正样本数 / 所有的正样本数

即 precision = TP/(TP+FP);模型预测的所有目标中,预测正确的比例

3、R(召回率)

R 代表 recall ,即召回率,召回率表示预测样本中实际正样本数占所有预测的样本的比例,计算公式为:

召回率 = 正确预测样本中实际正样本数 /实际的正样本数

即 Recall = TP/(TP+FN) ;所有真实目标中,模型预测正确的目标比例

一般来说,召回率越高,准确率越低

4、ACC(准确率)

ACC 代表 Accuracy,即准确率,准确率表示预测样本中预测正确数占所有样本数的比例,计算公式为:

准确率 = 预测样本中所有被正确分类的样本数 / 所有的样本数

即 ACC = (TP+TN)/(TP+FP+TN+FN);

5、AP(平均精确度)

AP 代表 Average Precision,即平均精确度。

6、mAP简介

mAP 是 Mean Average Precision 的缩写,即均值平均精度。各类别AP的平均值。作为 object dection 中衡量检测精度的指标。计算公式为:

mAP = 所有类别的平均精度求和除以所有类别。

7、P—R曲线

P-R曲线,顾名思义,就是P-R的关系曲线图,表示了召回率和准确率之间的关系;我们可以在坐标系上做以 precision 和 recall 作为 纵、横轴坐标 的二维曲线。
上图就是一个P-R曲线的例子,通过这几个例子,我们能够发现一个规律:精度越高,召回率越低,当召回达到1时,对应概率分数最低的正样本,这个时候正样本数量除以所有大于等于该阈值的样本数量就是最低的精度值。
转自:https://aistudio.csdn.net/63ab90a7d7076d6fb52a41dc.html?spm=1001.2101.3001.6650.2&utm_medium=distribute.pc_relevant.none-task-blog-2defaultCTRLISTactivity-2-86349643-blog-89874136.235^v27^pc_relevant_recovery_v2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2defaultCTRLISTactivity-2-86349643-blog-89874136.235v27pc_relevant_recovery_v2&utm_relevant_index=5

目标检测算法之常见评价指标(mAP)的详细计算方法及代码解析

参考技术A 一个经典例子是存在一个测试集合,测试集合只有大雁和飞机两种图片组成,假设你的分类系统最终的目的是:能取出测试集中所有飞机的图片,而不是大雁的图片。然后就可以定义:

要得到Precision-Recall曲线(以下简称PR)曲线,首先要对检测模型的预测结果按照目标置信度降序排列。然后给定一个rank值,Recall和Precision仅在置信度高于该rank值的预测结果中计算,改变rank值会相应的改变Recall值和Precision值。这里选择了11个不同的rank值,也就得到了11组Precision和Recall值,然后AP值即定义为在这11个Recall下Precision值的平均值,其可以表征整个PR曲线下方的面积。即:

还有另外一种插值的计算方法,即对于某个Recall值r,Precision取所有Recall值大于r中的最大值,这样保证了PR曲线是单调递减的,避免曲线出现摇摆。另外需要注意的一点是在2010年后计算AP值时是取了所有的数据点,而不仅仅只是11个Recall值。我们在计算出AP之后,对所有类别求平均之后就是mAP值了,也是当前目标检测用的最多的评判标准。

以上是关于目标检测中常见指标的主要内容,如果未能解决你的问题,请参考以下文章

Python 深度学习目标检测评价指标

目标检测中常见指标

解析PR曲线与目标检测中的mAP指标

解析PR曲线与目标检测中的mAP指标

目标检测任务描述

深度学习和目标检测系列教程 1-300:什么是对象检测和常见的8 种基础目标检测算法