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。

在这里插入图片描述

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。

在这里插入图片描述

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
• P r e c i s i o n = T P ( T P + F P ) 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
• R e c a l l = T P ( T P + F N ) 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
• f 1 k = 2 R e c a l l k ∗ P r e c i s i o n k R e c a l l k + P r e c i s i o n k 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
• F 1 = ( 1 n Σ f 1 k ) 2 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
• A P = ( 1 n Σ ( r ∈ 1 n , 2 n … n − 1 n , 1 ) P i n t e r p o ( r ) ) 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
• m A P = ( 1 n Σ A P ) mAP=(\frac{1}{n} \Sigma {AP}) mAP=(n1​ΣAP)

mAP计算过程：

• 涉及到PR图，挖坑

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/182161.html原文链接：https://javaforall.cn