mAP¶
在目标检测任务中,还有一个非常重要的概念是mAP。mAP是用来衡量目标检测算法精度的一个常用指标。目前各个经典算法都是使用mAP在开源数据集上进行精度对比。在计算mAP之前,还需要使用到两个基础概念:准确率(Precision)和召回率(Recall)。
准确率和召回率¶
准确率:预测为正的样本中有多少是真正的正样本。
召回率:样本中的正例有多少被预测正确。
具体计算方式如 图1 所示。
图1 准确率和召回率计算方式
其中,上图还存在以下几个概念:
正例:正样本,即该位置存在对应类别的物体。
负例:负样本,即该位置不存在对应类别的物体。
TP(True Positives):正样本预测为正样本的数量。
FP(False Positives):负样本预测为正样本的数量。
FN(False Negative):正样本预测为负样本的数量。
TN(True Negative):负样本预测为负样本的数量。
这里举个例子来说明准确率和召回率是如何进行计算的:假设我们的输入样本中有某个类别的10个目标,我们最终预测得到了8个目标。其中6个目标预测正确(TP),2个目标预测错误(FP),4个目标没有预测到(FN)。则准确率和召回率的计算结果如下所示:
准确率:6/(6+2) = 6/8 = 75%
召回率:6/(6+4) = 6/10 = 60%
PR曲线¶
上文中,我们学习了如何计算准确率(Precision)和召回率(Recall),得到这两个结果后,我们使用Precision、Recall为纵、横坐标,就可以得到PR曲线,这里同样使用一个例子来演示如何绘制PR曲线。
假设我们使用目标检测算法获取了如下的24个目标框,各自的置信度(即网络预测得到的类别得分)按照从上到下进行排序后如 图2 所示。我们通过设置置信度阈值可以控制最终的输出结果。可以预想到的是:
如果把阈值设高,则最终输出结果中大部分都会是比较准确的,但也会导致输出结果较少,样本中的正例只有部分被找出,准确率会比较高而召回率会比较低。
如果把阈值设低,则最终输出结果会比较多,但是输出的结果中包含了大量负样本,召回率会比较高而准确率率会比较低。
图2 准确率和召回率列表
这里,我们从上往下每次多包含一个点,就可以得到最右边的两列,分别是累加的recall和累加的precision。以recall为自变量、precision为因变量可以得到一系列的坐标点(Recall,Precision)。将这些坐标点进行连线可以得到 图3 。
图3 PR曲线
而最终mAP的计算方式其实可以分成如下两步:
AP(Average Precision):某一类P-R曲线下的面积。
mAP(mean Average Precision):所有类别的AP值取平均。