目标检测/实例分割任务

• 输入：单张图像
• 输出：边界框（x, y, w, h）+置信度

IOU, TP, FP, FN

• IOU：预测框与Ground Truth（GT）的交并比
  

• TP：预测框中与对应的GT边界框中置信度大于置信度阈值且Ground Truth对应的预测框中最大的

• FP：预测框集合-TP

• FN：GT-TP

Precision, Recall, PR-curve

• precision = #TP/#预测框
• recall = #TP/#GT
• PR-curve: precision随着recall增加的变化曲线

AP

为了计算所有类别的mAP，先要计算每个类别的AP

设定

假定数据有Image 1和Image 2两张图片，预测框为：P1、P2、P3、P4，IOU阈值设为0.5

该数据集GT、预测框的置信度、预测框与对应GT的IOU如下

按置信度排序

将以上预测结果按其置信度排序，得到如下表格

从上到下，计算累计precision和recall

• 累计precision = 累计TP/累计预测框
• 累计recall=累计TP/#GT

画P-R曲线

不难看出，从上到下累计recall一定是单调非减的（因为累计TP是单调非减的），根据累计recall和累计precision即可得到P-R curve

AP计算的是等间隔recall（如[0:.01:1]）下，precision的平均值，描述的是不同recall下precision的总体情况

需要注意的是，这里的precision是插值得到的

mAP

通过计算得到了每个类别下的AP，各个类别的AP的均值即为mAP

mAP（COCO）

• COCO使用[0:.01:1] 作为recall的阈值
• COCO使用[0.5:.05:0.95] 作为IOU的阈值，即
  
• COCO计算流程：

  • 计算每类下不同IOU阈值AP的均值
    
    

  • 计算所有类别的平均值
    

可以说，AP是precision的平均（所有recall阈值）的平均（所有IOU阈值）的平均（所有类别）

讨论

优点

• 目标检测/实例分割是比较复杂的任务，mAP用一个数值就刻画了模型性能的好坏

缺点

• 对于实例分割任务，mAP没有体现分割mask质量的好坏

参考
[1] https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173
[2] https://kharshit.github.io/blog/2019/09/20/evaluation-metrics-for-object-detection-and-segmentation
[3] https://towardsdatascience.com/map-mean-average-precision-might-confuse-you-5956f1bfa9e2
[4] https://manalelaidouni.github.io/Evaluating-Object-Detection-Models-Guide-to-Performance-Metrics.html

版权声明：本文为CSDN博主「notzy」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_17030183/article/details/122677147