理解目标检测中的mAP与F1 Score

文章目录

• 总述
• IoU
• TP、TN、FP、FN
• Precision
• Recall
• F1-Score
• mAP
• mAP计算过程：

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
• $Precision=\frac{TP}{(TP+FP)}$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
• $Recall=\frac{TP}{(TP+FN)}$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
• $f1_k=2 \frac{Recall_k*Precision_k}{Recall_k+Precision_k }$f1k​=2Recallk​+Precisionk​Recallk​∗Precisionk​​
• 而后计算所有类别的平均值，记为F1，公式为
• $F1= (\frac{1}{n}\Sigma f1_k )^2$F1=(n1​Σf1k​)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
• $AP=(\frac{1}{n}\Sigma_{(r∈{\frac{1}{n},\frac{2}{n}…\frac{n-1}{n},1})}{P_interpo (r)})$AP=(n1​Σ(r∈n1​,n2​…nn−1​,1)​Pi​nterpo(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
• $mAP=(\frac{1}{n} \Sigma {AP})$mAP=(n1​ΣAP)

mAP计算过程：

---

• 涉及到PR图，挖坑

---