學習視頻：
霹靂吧啦Wz-目標檢測mAP計算以及coco評價標準
【目標檢測】指標介紹：mAP

1 TP/FP/FN

• TP(True Positive) : IoU>0.5的檢測框數(shù)量(同一Ground truth只計算一次)
• FP(False Positive) : IoU<=0.5的檢測框(或者是檢測到同一個GT的多余檢測框的數(shù)量)，誤檢的個數(shù)
• FN(False Negative) : 沒有檢測到的GT的數(shù)量，漏檢的目標的個數(shù)

1.1 舉例分析

上面的圖中有兩只小貓，綠色的是他們的標注框，可以看到模型對于蝴蝶結(jié)小貓這個目標預測了兩個目標框，分別為紅框和黃框

• 紅色預測框和標注框的IOU>0.5，所以紅框為TP
• 黃色預測框和標注框的IOU<0.5，所以紅框為FP
• 模型對于鈴鐺小貓是沒有預測出任何框的，所以為FN

2 Presion和Recall

• Precision（查準率）: 模型預測的所有目標(TP+FP)中，預測正確的（TP）比例 $Precision=TP/(TP+FP)$

• Recall（查全率）: 所有真實目標（TP+FN）中，預測正確（TP）的比例 $Recall=TP/(TP+FN)$，其中TP+FN = GT的個數(shù)，即圖片中出現(xiàn)的所有預測框的個數(shù)

2.1 舉例

僅憑借其中一個指標無法說明模型的好壞。

2.1.1 precision

圖片中有5個目標，但是模型只檢測出一個目標（1個紅色框），沒有其他任何的檢測框，所以TP=1，FP=0，故P = 1，因此P高并不能說明模型檢測效果好。

2.1.2 recall

假設(shè)模型一次給出了50個預測框，包括了圖中的5個目標，故TP=5，由于沒有漏檢目標，故FN=0，因此recall=1，故R高也不能說明模型預測的好。

3 Average Precision

平均精度(Average Precision, AP) 是目標檢測算法的熱門衡量指標。衡量了模型對正樣本的預測準確性。

通過在不同的召回率下計算并平均精確率來得到，形成了一個曲線下的面積值。較高AP 值意味著模型具有更好的檢測性能，而AP=1表示模型的檢測是完美的。

• AP: P-R曲線下面積
• P-R曲線 : Precision-Recall曲線
• mAP: mean Average Precision, 即各類別AP的平均值

3.1 舉例分析

使用yolov5來進行預測，圖片的標注為左圖所示，yolov5預測的結(jié)果如右圖所示，可以看到模型預測的有錯誤：沒有預測到窗戶里的人，錯把一只小狗預測成了泰迪

原圖中共有2+12+1+1=16個目標

由于平均精度（AP）是按照類別來計算的。那么下面先計算狗的平均精度。

步驟1： 首先列出狗類所有預測框的置信度并且判斷是TP還是FP

步驟2：計算精確度和召回率

表格解釋：Conf.置信度；Matches：是否為TP/FP；Cumulative TP：對TP數(shù)量進行累計；Cumulative FP：對FP數(shù)量進行累計；

其中GT的數(shù)量為16

步驟3：繪制PR曲線


（未完待續(xù)）

4 CoCo數(shù)據(jù)集評價指標

可以看到CoCo數(shù)據(jù)集給出了比較多的評價指標，下面分析他們的具體含義。

4.1 Average Precision(AP)

$AP$：當IoU從0.5-0.95范圍內(nèi)取10個值（間隔0.05），計算到的AP的均值，CoCo最主要的評價指標

$A{P}^{IoU=0.5}$：當iou取0.5時計算出的AP值

$A{P}^{IoU=0.75}$：當iou取0.75時計算出的AP值，要求更為嚴格

4.2 AP Across Scales

$A{P}^{small}$：針對小目標，目標像素面積<32平方
$A{P}^{medium}$：中等目標,32<目標像素面積<96
$A{P}^{large}$：大目標，目標像素面積>96

4.3 Average Recall(AR)

$A{R}^{max=1}$：每張圖片只給出一個檢測目標
$A{R}^{max=10}$：每張圖片給出10個檢測目標
$A{R}^{max=100}$：每張圖片給出100個檢測目標

4.4 AR Across Scales

$A{R}^{small}$：針對小目標，目標像素面積<32平方
$AR{P}^{medium}$：中等目標,32<目標像素面積<96
$A{R}^{large}$：大目標，目標像素面積>96