AP和mAP計算詳解（代碼全解）

參考：https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247490269&idx=3&sn=718b101325a37b152951772e11d4efde&chksm=f9a26852ced5e144200ae2f95d3bd15d9e213dff2728f85defdf75fcd5aeb7acd53f50eb233c&mpshare=1&scene=1&srcid=#rd

Recall和Precision一樣，脫離類別是沒有意義的。說到Precision(或Recall)，一定指的是某個類別的Precision(或Recall)。

目標檢測里面沒有用準確率Accuracy來評估的，都只用Recall和Precision以及mAP。

(1) Accuracy：準確率

?? 準確率=預測正確的樣本數/所有樣本數，即預測正確的樣本比例（包括預測正確的正樣本和預測正確的負樣本，不過在 【目標檢測】 領域，沒有預測正確的負樣本這一說法，所以目標檢測里面沒有用Accuracy的）。

Acc = (TP + FN) / num_allSamples =（TP + TN）/ (TP+TN+FP+FN)

比如說，檢測貓，貓以外的其他類別都是負樣本，所以負樣本不是指一個類別，而是除你要檢測的類別以外的所有類別，除非是二分類。【這段話是我添加的】

(2) Precision：查準率

【分母為 所有預測結果為該類別的樣本數目】

?? recision表示某一類樣本預測有多準。
?? Precision針對的是某一類樣本，如果沒有說明類別，那么Precision是毫無意義的（有些地方不說明類別，直接說Precision，是因為二分類問題通常說的Precision都是正樣本的Precision）。

Precision = TP/(TP + FP)

比如說，檢測貓，分子為標簽為貓，預測結果也為貓，即預測正確的樣本數；分母為預測結果為貓的所有樣本數(注意不是圖片數)。
即Precision就是預測貓正確的樣本數 占 所有預測結果為貓的樣本數。

之所以叫查準率（精確率），是因為預測出了n個該類別的，只預測對了m（m<n）個正確的，所以叫（精確率）查準率。

【上面這兩段話是我添加的】

(3) Recall：召回率

【分母為 該類別的所有標簽數目】

?? Recall和Precision一樣，脫離類別是沒有意義的。說道Recall，一定指的是某個類別的Recall。Recall表示某一類樣本，預測正確的與所有Ground Truth的比例。

Recall = TP/(TP + FN)

?? Recall計算的時候，分母是Ground Truth中某一類樣本的數量，而Precision計算的時候，是預測出來的某一類樣本數。
比如說，檢測貓，分子為標簽為貓，預測結果也為貓，即預測正確的樣本數；分母為把貓檢測為貓和把貓檢測為非貓的所有樣本，即分母是標注的標簽中所有為貓的目標總數，不是包含貓的圖片的總數，因為每張圖片可能有多只貓，每只貓都得算進去。
那么recall就是預測貓正確的樣本數 占 所有標簽為貓的樣本數 的比例。

之所以叫召回率，是因為該類別本來有n個正確的，只召回了m（m<n）個正確的，所以叫召回率。

【上面這兩段話是我添加的】

(4) F1 Score：平衡F分數

F1分數，它被定義為查準率和召回率的調和平均數:

F1 = 2* Precision * Recall / (Precision + Recall)= 2*TP / (2TP + FN + FP)

總結

以上是生活随笔為你收集整理的【深度学习】查准率、召回率、AP、mAP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。