本文首发于集体博客http://zuyunfei.com/2020/07/0...，欢送浏览最新内容！

如何掂量指标检测算法的优劣

指标检测(object detection)问题绝对于个别AI分类问题更加简单，不仅检测出指标，输入指标的类别，还要定位出指标的地位。分类问题中的简略accuray指标曾经不能反映出指标检测问题后果的准确度，而mAP (Mean Average Precision）就是被用来掂量指标检测算法优劣的罕用指标。
要了解什么是mAP，须要先廓清什么是Precision（查准率）和Recall（查全率）。

Precision和Recall

定义

查准率和查全率是在信息检索、Web搜寻等利用中经常出现的性能度量指标，在机器学习中，也能够用来度量“预测后果中有多少比例是用户感兴趣的”。对于二分类问题，可将样例依据其实在类别与预测类别的组合划分为：

TP、TN、FP、FN

TP (True Positive): 真正例。Positive指预测输入为正，True代表预测正确。
TN (True Negative): 真反例。预测输入为负，而且预测正确。
FP (False Positive): 假正例。预测输入为正，然而预测谬误。
FN (False Negative): 假反例。预测输入为负，然而预测谬误。

Precision

Precision(查准率）: 所有预测为正例的后果中，预测正确的比率。

Recall

Recall (查全率）：所有正例中被正确预测的比率。

如何计算

指标检测问题中，算法通常输入一个预测框(bounding box)来标识检出指标的地位，要掂量这个预测框与指标的理论地位(ground truth)的准确度，能够应用IoU指标。

交并比IoU(Intersection over union)

交并比IoU掂量的是两个区域的重叠水平，是两个区域重叠局部面积占二者总面积（重叠局部只计算一次）的比例。

指标检测中IoU就是预测框与理论框的交加除以并集。
咱们能够设置一个阈值（threshold），通常是0.5，预测后果能够分为：

如果IoU >= 0.5
- 如果预测类别也正确，认为是一个好的预测，分类为TP
- 如果预测类别谬误，认为是一个坏的预测，分类为FP
如果IoU < 0.5, 认为是一个坏的预测，分类为FP
如果一个指标呈现在图像中，然而算法未检出，分类为FN
TN（图像上所有不蕴含理论框和检测框的局部）通常计算中用不到。

AP和mAP

P-R曲线

查全率和查准率通常是一对矛盾的度量，一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。
咱们如果把所有预测后果对样例进行排序，排在后面的是“最可能”的正例样本，以查准率为纵轴、查全率为横轴作图，失去一条”P-R曲线”。

P-R曲线直观的显示出一个算法在样本总体上的查全率、查准率状况。如果一个算法的P-R曲线被另一个算法的曲线齐全包住，则可断言后者优于前者。然而理论中，常常不同算法的P-R曲线是相互穿插的，这时就很难直观判断出两者的优劣。这时通常会考查平衡点(BEP)、F1度量、AP等指标。

AP

AP（average precision 均匀精度）：AP是计算单类别的模型均匀准确度。对于指标检测工作，每一个类都能够计算出其Precision和Recall，每个类都能够失去一条P-R曲线，曲线下的面积就是AP的值。如果一个算法的AP值较大，也就是P-R曲线下的面积比拟大，能够认为此算法查准率和查全率整体上绝对

mAP

mAP(mean of Average Precision) : 对所有类别的AP值求平均值。

Pascal VOC（VOC2007 & VOC2012）是评测指标检测算法的罕用数据集，VOC数据集应用一个固定的IoU阈值0.5来计算AP值。然而在2014年之后，MS-COCO（Microsoft Common Objects)数据集逐步衰亡。在COCO数据集中，更关注预测框地位的准确性，AP值是针对多个IoU阈值的AP平均值，具体的就是在0.5 和0.95之间取10个IoU阈值（0.5、0.55、0.6 ..... 0.9、0.95）。所以VOC数据集中mAP通常标记为mAP @ IoU=0.5, mAP@0.5 或者 mAP_50，在COCO 数据集中册标记为 mAP @ IoU=0.5:0.05:0.95, mAP @ IoU=0.5:0.95 或者 mAP@[0.5:0.95].

参考：

https://blog.csdn.net/weixin_44791964/article/details/102414522
https://www.jianshu.com/p/fecc98e448d9