理解目标检测中的mAP与F1 Score
其他
2020-05-21 08:30:32
阅读次数: 0
总述
- 要理解mAP与F1 Score需要一些前置条件,比如:IoU、FP、TP、FN、TN、AP等
IoU
- 衡量监测框和标签框的重合程度。一张图就能解释。
TP、TN、FP、FN
- TP,即True Positives,表示样本被分为正样本且分配正确。
- TN,即True Negatives,表示样本被分为样本且分配正确。
- FP,即False Positives,表示样本被分为正样本但分配错误。
- FN,即False Negatives,表示样本被分为负样本但分配错误。
Precision
- Precision,即精度,表示被正确分配的正样本数占总分配的正样本数的比例,公式为
-
Precision=(TP+FP)TP
Recall
- Recall,即召回率,表示被正确分配的正样本数占总正样本数的比例,公式为
-
Recall=(TP+FN)TP
F1-Score
- F1-Score又称F1分数,是分类问题的一个衡量指标,常作为多分类问题的最终指标,它是精度和召回率的调和平均数。对于单个类别的F1分数,可使用如下公式计算
-
f1k=2Recallk+PrecisionkRecallk∗Precisionk
- 而后计算所有类别的平均值,记为F1,公式为
-
F1=(n1Σf1k)2
mAP
- mAP,英文全称是mean Average Precision,即各类别AP的平均值,AP的计算使用了差值平均准确率的评测方法,即Precision-Recall曲线下的面积,公式为
-
AP=(n1Σ(r∈n1,n2…nn−1,1)Pinterpo(r))
其中n表示检测点的个数,P_interpo ®代表在召回率为r时准确率的数值。根据AP可计算mAP,公式为
-
mAP=(n1ΣAP)
mAP计算过程:
转载自blog.csdn.net/symuamua/article/details/106232638