深度学习笔记-目标检测评价指标
在目标检测领域,比较常用的是Pascal Voc和COCO两个数据集,不同数据集都有自己的一套评价标准。与图像分类任务中简单评判预测准确率不同,目标检测任务中不仅要准确预测出目标的类别,还需要准确的框选出目标的位置,涉及多个目标的还需要尽量找到每一个目标,这使得在目标检测任务中的评价标准较为复杂。
目标检测常见指标
- TP(True Positive):IoU>0.5的检测框数量(同一Ground Truth只计算一次)
- FP(False Positive):IoU<=0.5的检测框数量(或检测到同一GT的多余检测框数量)
- FN(False Negative):没有检测到GT的数量
- 准确率-Precision:TP/(TP+FP) 在模型预测出的所有目标中,预测正确的比例
- 召回率-Recall:TP/(TP+FN) 模型预测正确的所有目标占真实目标的比例
- AP:P-R曲线下面积
- P-R曲线:Precision-Recall曲线
- mAP:各类AP平均值
COCO标准
Average Precision (AP):
- AP:IoU从0.5~0.95间隔0.05的10个mAP取平均值
- AP
IoU=.50:IoU=0.5时mAP - AP
IoU=.75:IoU=0.75时mAP
AP Across Scales:
- AP
small:检测面积小于32^2^的小目标 - AP
medium:检测面积在32^2^~96^2^的中等目标 - AP
large:检测面积大于96^2^的大目标
- AP
AverageRecall (AR):
- AR
max=1:每张图片最多只提供1个检测框下的平均召回率 - AR
max=10:每张图片最多只提供10个检测框的平均召回率 - AR
max=100:每张图片最多只提供100个检测框的平均召回率
- AR
AR Across Scales:
- AR
small:小目标的平均召回率 - AR
medium:中等目标的平均召回率 - AR
large:大目标的平均召回率
- AR
本文是原创文章,采用CC BY-NC-SA 4.0协议,完整转载请注明来自DaneSun's Blog
评论
匿名评论
✅ 你无需删除空行,直接评论以获取最佳展示效果