本文来自公众号“每日一醒”
在目标检测中，每张图片可能包含多个类别的多个目标。
目标检测模型的评价需要同时评价模型的定位、分类效果。
因此，在图像分类问题中常使用的 precision 指标不能直接用于目标检测。
这时 mAP 进入了人们的视野。
IOU
IOU衡量预测框和真实框的重合程度。
计算IOU的公式为：
TP TN FP FN的概念
对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）四种情形，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数。
分类结果的“混淆矩阵”（confusion matrix）如表所示：
TP TN FP FN里面一共出现了4个字母，分别是T 、F 、P、 N。
T是True，F是False，P是Positive，N是Negative。
TP（True Positives）：被分为了正样本，而且分对了。
TN（True Negatives）：被分为了负样本，而且分对了。
FP（False Positives）：被分为了正样本，但是分错了。
FN（False Negatives）：被分为了负样本，但是分错了。
mAP
precision（精确度）：
recall（召回率）：
如图所示：
AP：
AP事实上指的是，利用不同的Precision和Recall的点的组合，画出来的曲线下面的面积。
AP: PR曲线下面积。
取不同的置信度，可以获得不同的Precision和不同的Recall。
当取得置信度够密集的时候，就可以获得非常多的Precision和Recall。
此时Precision和Recall可以在图片上画出一条线，这条线下部分的面积就是某个类的AP值。
mAP：
mAP就是所有的类的AP值求平均。
绘制mAP
绘制mAP需要真实框、检测框和测试图片。
其中真实框可用标注软件标注得到，检测框由yolo算法得到。
（1）真实框（Ground Truth）：
labelImg软件标注的格式为.xml，需要转化为txt，且以左上角和右下角的格式保存。
.xml：
.txt：
（类别，左上角x，左上角y，右下角x，右下角y）
（2）检测框（detection-results）：
yolo detect出来的结果格式为（类别，中心x，中心y，框，高，置信度），且结果已归一化处理。
需要转化为真实框的格式（类别，置信度，左上角x，左上角y，右下角x，右下角y）
转化公式如下所示：
转化结果：
公式由来：
根据：
左上角+右下角->中心+宽高:
中心+宽高->左上角+右下角：
其中w=3069，h=2048，为图片的大小。
（3）测试图片（images-optional）：
测试图片已经经过人工标注，且经过了yolo网络得出了结果。
可进行可视化。
mAP绘制结果：
总结
mAP（mean Average Precision）：由多个类的AP值求平均得到，用以衡量多个类的检测好坏。mAP越大，模型越好。
AP（Average Precision）。由PR曲线与X轴的面积得到，用以衡量一个类的检测好坏。AP越大，说明单个类检测的越好。
P（Precision）：代表检测器预测为正样本的样本中含有真正正样本的比例。
R（Recall）：代表标准答案中能找到真正正样本的比例。
——————
浅谈则止，细致入微AI大道理
扫描下方“每日一醒”，选择“关注”公众号
—————————————————————
—————————————————————