目标检测mAP评价指标计算详解

mAP计算方法

首先我们先引入一些概念

TP（True Positive）：IoU>0.5的检测框数量（预测正确的检测框数量，同一个Ground Truth只计算一次）

如图示，图中预测为猫，概率为0.9的红色边界框与GT box的IoU值为0.9>0.5，所以它是一个TP（False Positive）。
在这里插入图片描述

FP（False Positive）：IoU<=0.5的检测框数量（假阳性框的数量，或者是检测到同一个GT的多余检测框的数量）

让我们继续看这张图，图中图中预测为猫，概率为0.3的红色边界框与GT box的IoU值为0.3<0.5，所以它是一个FP（False Positive）
在这里插入图片描述

FN（False Negative）：没有检测到的GT数量（被漏检的目标数量）

来吧，还是让我们看这张图，图中右下角的小猫为没有被检测到的目标，所以它是一个FN（False Negative）

在这里插入图片描述

Precision-查准率：TP/(TP+FP)模型预测的所有目标中，预测正确的比例

扫描二维码关注公众号，回复： 14347168 查看本文章

思考通过Precision这个指标能否体现网络的检测能力？

假设在下面图片中有5个目标，而网络只检测到了其中一个目标，则此时的TP=1，FP=0，所以此时的Precision=1/（1+0）=1，即查准率为100%，这就和真实情况矛盾了，因为网络出现大量漏检的情况，所以只通过Precision这一个指标不能体现网络的检测能力的好坏。
在这里插入图片描述

Recall-查全率：TP/(TP+FN)所有真实目标中，模型预测正确的目标比例

思考通过Recall这个指标能否体现网络的检测能力？

同样假设一张图片中由5个目标，而网络却检测出了50个目标，此时TP=5，FN=0，所以此时的Recall=5/(5+0)=1，即查全率俄日100%，这就和真实情况矛盾了，因为网络出现大量误检的情况，所以只通过Recall这一个指标不能体现网络的检测能力的好坏。
在这里插入图片描述

上面我们知道单独使用Precision和Recall无法判断网络的好坏，所以我们同时使用Precision和Recall联合进行分析，即AP

AP：P-R曲线的面积，P-R曲线为Precision和Recall曲线

mAP：各类别AP的平均值

对图中的7个目标进行检测，检测结果如下表，GT_ID为目标对应的ID，Confidence为检测的概率值，OB即是否是我们要检测的目标。

在这里插入图片描述

我们分别认为confidence大于0.98认为正确匹配，即confidence大于0.98为正确的检测，则此时只有ID1为检测到的目标，此时计算Precision和Recall，如下表Precision=1和Recall=0.14

在这里插入图片描述
同时认为confidence大于0.89认为正确匹配，此时计算Precision和Recall，如下表Precision=1和Recall=0.28

在这里插入图片描述
同时认为confidence大于0.88认为正确匹配，此时计算Precision和Recall，如下表Precision=1和Recall=0.42

依次列推明知道全部计算完检测结果，得到右侧Precision和Recall的表格

在这里插入图片描述

根据上表，以Recall为横坐标，Precision为纵坐标可以绘制P-R曲线，其中要去除重复的Recall

在这里插入图片描述

最后，根据图，便可以计算AP值了

在这里插入图片描述