深刻理解目标检测中的mAP评估指标
发布网友
共1个回答
热心网友
分享人工智能技术干货，专注深度学习与计算机视觉领域！
mAP，即“Mean Average Percision”，中文为“均值平均精度”，通常指所有图片中所有类别的AP平均值，常用于目标检测任务中评估算法性能。Iou=0.5@mAP指的是在Iou阈值为0.5下的均值平均精度值。尽管很多人知道mAP越高越好，但对这个评估指标的理解可能并不深入，不清楚其计算方式。本文将深入探讨目标检测中的mAP评估指标，包括其概念原理和计算方法。
要了解mAP的计算方法，需要先了解一些相关概念。这些概念在之前的文章《常见的模型算法评估指标》中有详细阐述。在此，我们重温一下与mAP计算相关的评估指标。
混淆矩阵中的四个参数如下：
True Positive（TP）：预测为正例，实际为正例，即算法预测正确。
False Positive（FP）：预测为正例，实际为负例，即算法预测错误。
True Negative（TN）：预测为负例，实际为负例，即算法预测正确。
False Negative（FN）：预测为负例，实际为正例，即算法预测错误。
Precision：精确率，指的是正确预测的正样本数占所有预测为正样本的数量的比值。
Recall：召回率，指的是正确预测的正样本数占真实正样本总数的比值。
IOU（Intersection over Union）：交并比，指的是ground truth bbox与predict bbox的交集面积占两者并集面积的一个比率。
AP（Average Percision）：AP为平均精度，指的是所有图片内的具体某一类的PR曲线下的面积。
mAP是指所有图片内的所有类别的AP的平均值。要深刻理解mAP，我们需要关注每个类别的AP。计算mAP的关键在于每个类别的AP。
举例说明每个类别的AP计算过程，从而得出mAP的计算方式。
假设我们有10张图像用于目标检测，每张图像都事先标记有GT（Ground Truth）标注框。我们只关注一个类别，例如车辆。经过算法预测后，每一张图像都会得出相应的车辆预测框和置信度。根据置信度进行降序排序，然后按照常用阈值取Iou=0.5，预测框与实际框的Iou大于0.5时，记为TP，否则记为FP。有了每一张图像的TP、FP和FN，就可以计算每一张图像的Precision和Recall值，从而计算出PR曲线下的面积得出具体类别的AP值。
根据上述假设和AP计算原理，我们可以得出PR曲线图，蓝色折线即为PR曲线，红色折线与横纵坐标所包围的面积即为该PR曲线下的PR面积即AP值。
因此，在该假设情况下，该目标检测算法的车辆类在Iou为0.5的情况下其AP值为0.476，同理，其他目标类别可依据该方法计算得出。
在得出具体类别的AP平均精度计算方法后，我们不难得出mAP的计算方法。按照以下公式即可得出目标检测算法的mAP评估指标：
其中，C为目标检测任务中的类别数量。
