概念

AP計算 PR曲線的與坐標軸圍成的圖形的面積
mAP 所有類別的AP的均值
參考鏈接https://www.bilibili.com/video/BV1ez4y1X7g2?from=search&seid=13320469311104224558
sklearn中計算AP的函數sklearn.metrics.average_precision_score(y_true, y_score, average=‘macro’, sample_weight=None)
y_true:標簽
y_score:預測值
這個函數不能直接在目標檢測中計算ap,因為這個不能體現ground truth的數量

計算過程

對于某個類別， 比如狗。

• 有非常多張圖像上檢測到了有狗，每張圖片上不止一個。
• 所有圖片上狗的總數為T,即Ground Truth的數目。
• 這些圖形輸入到網絡，檢測得到的預測框bounding box,可能與ground truth 有交集，也可能沒有交集。
• bounding box與ground truth 的 IOU>0.5的認為是正樣本，小于0.5的認為是負樣本。
• 每個bounding box都有一個置信度，即屬于狗的概率（?）

計算步驟

按置信度對所有的bounding box排序

按置信度取閾值，大于等于閾值的為True, 置信度小于閾值的為False

計算不同閾值下的TP、FP、FN$。Precission=\frac{TP}{TP+FP}$ ,$Recall=\frac{TP}{TP+FN}$。同一Recall值下，取最大的Precission。

計算PR曲線與坐標軸圍成的面積，即為AP

如果有多個類別，計算AP的均值，即為mAP。
示例如下
圖片來自https://www.bilibili.com/video/BV1ez4y1X7g2?from=search&seid=13320469311104224558
總共輸入了三張圖片，有7個目標框。綠色的是ground truth，紅色的是預測的bounding box.


按置信度排序。

置信度取0.98時precision和recall

最終結果如下

繪制PR曲線即計算AP

總結

以上是生活随笔為你收集整理的AP、mAP计算的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。