【深度学习】目标检测的性能评价指标，mAP_0.5，mAP

这篇具有很好参考价值的文章主要介绍了【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

指标

指标有检测精度和检测速度之分：
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05

mAP是一个容易混淆的概念。计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。在YOLO中，最后两个数值会乘起来表示一个置信度数值。

此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。

目标检测有多个类别，一个类别计算出的AP数值，所有类别平均AP数值称为mAP（mean Average Precision）。

原label的bbox与模型预测的bbox的交并比为IoU：
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05

精确率公式：
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05
召回率公式：

精确率和召回率是由混淆矩阵中的数值得到，其中的TP、FP、TN、FN都是会“IoU数值阈值”和“置信度阈值”影响的。

举例来说，当IoU取值为0.5，对于某一个类别，取不同“置信度阈值”，我们会得到不同的TP、FP、TN、FN，也就是不同的P和R，则可以绘制P-R曲线：
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05

得到P-R曲线之后，计算P-R曲线下方的面积【也称为AUC】即是这个类别的AP数值（最大为1）。计算方法多种多样，可以自行搜索。

即是IoU取值为0.5，计算出模型的mAP数值。

即是 IoU ∈ [0.5 : 0.05 : 0.95] ，每一个IoU计算出一个mAP，最后求平均值。
显然，mAP_0.5,0.95,0.05的数值会比mAP_0.5的数值要小，因为IoU越大，mAP一般就会越小。

参考：
https://www.bilibili.com/video/BV13k4y1m7DY/?vd_source=01d48741bf4b441465aae4f2a5c8e70a文章来源地址https://www.toymoban.com/news/detail-420422.html

到了这里，关于【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！