欢迎访问我的网站,希望内容对您有用,感兴趣的可以加入我们的社群。

Precision、Recall、IoU和mAP

算法 迷途小书童 4年前 (2020-12-05) 3794次浏览 1个评论

环境

  • windows 10 64bit

Precision和Recall

先看下面的示意图

Precision Recall

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。

可以很容易看出, TRUE/FALSE 是从结果是否分对的角度来看的,而 Positive/Negative 表示 我们认为的 "是"还是"不是"。

由上面可知,Precision 的计算公式应是

Precision Recall

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

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

Precision Recall

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。

F1-Score

F1-Score 或叫 F1-Measure 就是精确值和召回率的调和均值, 也就是

F1-score

调整下,就是

F1-score

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

IoU

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

参考资料

喜欢 (2)

您必须 登录 才能发表评论!

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