目标检测中的Iou与map指标详细介绍（零基础） |
您所在的位置：网站首页 › 目标和指标的关系 › 目标检测中的Iou与map指标详细介绍（零基础） |
目标检测中的Iou与map指标详细介绍（零基础）
|
目标检测中的Iou与map指标详细介绍（零基础）
最近在算法岗实习，更新的频率会低一点，希望在实习过程中学到更多有用的视觉知识。 IOU指标下图中Ground truth为标记的正确框,Prediction为预测的框 显然, 我们需要一个指标来评估预测的准确率 在我的理解中：目标检测任务中的IOU指标就与分类任务中的accurate类似的效果，数值化地反应出了我们预测的结果有多准确 在计算map之前我们需要先计算精度和召回率 什么是精度与召回具体关于精度与找回的介绍与手写推导可以看我之前关于学习西瓜书中模型评价指标的文章 一起学西瓜书02 模型评估与选择 这里举个简单的例子来回顾一下 我们将女生看为正例，男生看为负例 TP: true positive: 正确的判断为positive （本身是正例，被预测为正例，在下图案例中为20） FP: flase positive: 正确的判断为positive （本身是负例，被预测为正例，在下图案例中为30） FN: flase negative: 错误的判断为negative （本身是正例，被预测为负例，在下图案例中为0， 因为所有的女生都被找出来了） TN: true negative: 正确的判断为negative （本身是负例，被预测为负例，在下图案例中为50 因为剩下的50个人都是男生）关于这四个名词在例子中的含义可以看下图中的表格 p r e c i s i o n = T P T P + F P precision=\frac{TP}{TP+FP} precision=TP+FPTP 根据前文的介绍，精度相当于在我们所预测的正例当中，实际正确的比率 换种说法就是预测的结果里有多少是对的 r e c a l l = T P T P + F N recall=\frac{TP}{TP+FN} recall=TP+FNTP 召回相当于在我们所预测的正例在所有正例中的比率 换种说法就是真正的正例里面有多少被预测出来了 所以召回率又称查全率 如果还是不能理解的可以结合上图的案例，把值带进去再想想 什么是map指标由此可见，精度与召回是站在不同的角度来评判的，而map的作用就是将它们综合起来  在我们改变阈值之后，可以得到三组不同的精度P与召回R，画出所谓的PR图 
对于每一个类别，当我们取不同的置信度时，可以获得不同的Precision和不同的Recall，画出PR图，AP代表了PR图中曲线下的面积。 map相当于对所有的类的AP平均，综合的反映出了P和R的情况，我们希望map越接近1越好 |
IOU的计算方法很简单,就是两框的交集与两框的并集之比, 很显然IOU的值越高越好 关于IOU在·map·计算中的作用会在后文中进行介绍
下面就介绍一些精度和召回的含义
如果简单接触过目标检测的话，我们会知道输出的结果中出了框的坐标，还有一个置信度，相当于对该类别给出的概率/评分 上图中的置信度分别为 0.9,0.8,0.7 在计算的过程中，我们会指定一个阈值，保留阈值以上的框【本文地址】
今日新闻 |
推荐新闻 |