• 目标检测模型的评估指标mAP详解(附代码）
  • 理解目标检测当中的mAP
  • 目标检测的评价方法（PR，IOU，AP，MAP）,比较详细
  • YoloV3_Keras模型MAP测试

mAP定义及相关概念

mAP: mean Average Precision, 即各类别AP的平均值；
AP: PR曲线下面积，后文会详细讲解；
PR曲线: Precision-Recall曲线；
Precision: TP / (TP + FP)；
Recall: TP / (TP + FN)；
TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次）；
FP: IoU<=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；
FN: 没有检测到的GT的数量；

举例计算mAP

presto lead lag计算 pre怎么算_github

根据IOU（阈值）计算算TP、FP

首先我们计算每张图pre和label的IOU，根据IOU是否大于0.5,来判断该pre是属于TP还是属于FP。显而易见，pre1是TP，pre2是FP，pre3是TP。

排序

根据每个pre的置信度进行从高到低排序，这里pre1、pre2、pre3置信度刚好就是从高到低。

在不同置信度阈值下获得precision和recall

首先，设置阈值为0.9，无视所有小于0.9的pre。那么检测器检出的所有框pre即TP+FP=1，并且pre1是TP，那么Precision=1/1。因为所有的label=3，所以Recall=1/3。这样就得到一组P、R值。

然后，设置阈值为0.8，无视所有小于0.8的pre。那么检测器检出的所有框pre即TP+FP=2，因为pre1是TP，pre2是FP，那么Precision=1/2=0.5。因为所有的label=3，所以Recall=1/3=0.33。这样就又得到一组P、R值。

再然后，设置阈值为0.7，无视所有小于0.7的pre。那么检测器检出的所有框pre即TP+FP=3，因为pre1是TP，pre2是FP，pre3是TP，那么Precision=2/3=0.67。因为所有的label=3，所以Recall=2/3=0.67。这样就又得到一组P、R值。

绘制PR曲线并计算AP值

根据上面3组PR值绘制PR曲线如下。然后每个“峰值点”往左画一条线段直到与上一个峰值点的垂直线相交。这样画出来的红色线段与坐标轴围起来的面积就是AP值。

在这里 A P = 1 ∗ 0.33 + 0.67 ∗ 0.33 ≈ 0.55

presto lead lag计算 pre怎么算_目标检测_02

计算mAP

AP衡量的是对一个类检测好坏，mAP就是对多个类的检测好坏（分别对每一类计算AP）。就是简单粗暴的把所有类的AP值取平均就好了。比如有两类，类A的AP值是0.5，类B的AP值是0.2，那么 m A P = ( 0.5 + 0.2 ) / 2 = 0.35 \ mAP=(0.5+0.2)/2=0.35 mAP=(0.5+0.2)/2=0.35。

** 计算mAP的工具：https://github.com/Cartucho/mAP **

mAP的计算的两种方式

在VOC2010以前，只需要选取当Recall >= 0, 0.1, 0.2, …, 1共11个点时的Precision最大值，然后AP就是这11个Precision的平均值。

在VOC2010及以后，需要针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，然后计算PR曲线下面积作为AP值。

代码实现