了解COCO评估“最大检测数”答案

【问题标题】：Understanding COCO evaluation "maximum detections"了解COCO评估“最大检测数”
【发布时间】：2019-03-21 05:13:05
【问题描述】：

我开始使用cocoapi 来评估使用Object Detection API 训练的模型。在阅读了各种解释平均精度 (mAP) 和召回率的资料后，我对 cocoapi 中使用的“最大检测数”参数感到困惑。

据我了解（例如here、here 或here），通过计算各种模型得分阈值的精度和召回率来计算 mAP。这给出了精确召回曲线，mAP 被计算为该曲线下面积的近似值。或者，以不同的方式表示为定义的召回范围内的最大精度的平均值 (0:0.1:1)。

但是，cocoapi 似乎会计算给定数量的最大检测 (maxDet) 的精度和召回率，并获得最高分。从那里得到maxDets = 1, 10, 100 的精确召回曲线。为什么这是一个很好的指标，因为它显然与上述方法不同（它可能排除数据点）？

在我的示例中，每张图像有大约 3000 个对象。使用 cocoapi 评估结果会产生可怕的召回率，因为它将检测到的对象的数量限制为 100。

出于测试目的，我将评估数据集作为基本事实和检测到的对象（带有一些人工分数）提供。我希望精确度和召回率非常好，这实际上正在发生。但是，一旦我输入超过 100 个对象，精度和召回率就会随着“检测到的对象”数量的增加而下降。尽管他们都是“正确的”！这有什么意义？

【问题讨论】：

标签： tensorflow object-detection-api mscoco

【解决方案1】：

我得出的结论是，这正是 cocoapi 定义其指标的方式。这在他们的上下文中可能是有道理的，但我也可以根据我在上面阅读和链接的文章来定义我自己的（这就是我所做的）。

【讨论】：

【解决方案2】：

您可以更改maxDets 参数并定义一个新的summarize() 实例方法。

让我们创建一个COCOeval 对象：

cocoEval = COCOeval(cocoGt,cocoDt,annType)
cocoEval.params.maxDets = [200]
cocoEval.params.imgIds  = imgIdsDt
cocoEval.evaluate()
cocoEval.accumulate()
cocoEval.summarize_2() # instead of calling cocoEval.summarize()

现在，在cocoeval.py 模块中定义summarize_2() 方法如下：

def summarize_2(self):
    # Copy everything from `summarize` method here except
    # the function `_summarizeDets()`.
    def _summarizeDets():
        stats = np.zeros((12,))
        stats[0] = _summarize(1, maxDets=self.params.maxDets[0])
        stats[1] = _summarize(1, iouThr=.5, maxDets=self.params.maxDets[0])
        stats[2] = _summarize(1, iouThr=.75, maxDets=self.params.maxDets[0])
        stats[3] = _summarize(1, areaRng='small', maxDets=self.params.maxDets[0])
        stats[4] = _summarize(1, areaRng='medium', maxDets=self.params.maxDets[0])
        stats[5] = _summarize(1, areaRng='large', maxDets=self.params.maxDets[0])
        stats[6] = _summarize(0, maxDets=self.params.maxDets[0])
        stats[9] = _summarize(0, areaRng='small', maxDets=self.params.maxDets[0])
        stats[10] = _summarize(0, areaRng='medium', maxDets=self.params.maxDets[0])
        stats[11] = _summarize(0, areaRng='large', maxDets=self.params.maxDets[0])
        return stats
    # Copy other things which are left from `summarize()` here.

如果你在你的数据集上运行上述方法，你会得到类似这样的输出：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=200 ] = 0.507
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=200 ] = 0.699
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=200 ] = 0.575
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=200 ] = 0.586
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=200 ] = 0.519
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=200 ] = 0.501
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=200 ] = 0.598
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=200 ] = 0.640
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=200 ] = 0.566
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=200 ] = 0.564

【讨论】：