加微信进交流群:xituxiaoshutong100

Precision、Recall、IoU和mAP

算法 迷途小书童 1评论

PrecisionRecall

先看下面的示意图

其中,黄色部分是系统返回的结果,绿色部分是所有对用户有用的结果。两者的重叠部分,叫做TP: True Positive;而返回结果的剩余部分,叫做FP: False Positive,这部分对用户来说是没有用的;而绿色部分剩下的,叫做FN: False Negative,这部分本来是对用户有用的,但是系统却认为没用;最后剩下的灰色部分,叫做TN: True Negative,就是真的没用的结果。

由上面可知,Precision的计算公式应是

Precision表明系统识别出的结果中,有多少是正确的。

Recall的计算公式为

Recall表明在所有正确的结果中,系统到底能够检出多少。

需要注意的是,PrecisionRecall是成对出现的,单独出现是没有意义的。比如一张图片中有10只猫,识别系统只检测出了一只猫,并且是正确的,那么Precision就是100%,但是Recall却很低,只有10%

下图就是我们经常会看到的P-R

Recall越来越大时,如果Precision仍处在一个较高的位置,就说明这是一个好的系统。

IoU

交并比IoU(Intersection over Union)衡量的是两个区域的重叠程度,是两个区域重叠部分面积占二者总面积(重叠部分只计算一次)的比例。如下图

需要注意的是,如果IoU为0.5,并不意味着每个框刚好有50%与另外一个框是交叉的,这个比例还要更高。

mAP

先来看AP,即Average Precision,平均精度,是P-R曲线下的面积,可以参考上面的P-R图,AP值越大,效果越好。

mAPmean Average Precision的缩写,即每一类的AP的平均值,mAP取值范围是0~1,越大越好,它是目标检测算法中最重要的评估指标之一。

经常看到的mAP@0.5,意思就是将IoU设为0.5时,计算mAP,而mAP@.5:.95即表示在不同的IoU阈值(从0.5到0.95,步长是0.05)上的mAP

喜欢 (2)
发表我的评论
取消评论

表情
(1)个小伙伴在吐槽
  1. 简单明了
    匿名2020-12-11 11:38 回复