指標
指標有檢測精度和檢測速度之分：
mAP
mAP是一個容易混淆的概念。計算mAP之前先考慮我們有的數(shù)值：圖片原label的bbox、模型預(yù)測的bbox、模型預(yù)測的bbox的置信度、模型預(yù)測的bbox中目標類別的分類置信度。在YOLO中，最后兩個數(shù)值會乘起來表示一個置信度數(shù)值。
此外，我們還需要確定“IoU數(shù)值閾值”和“置信度閾值”，模型的預(yù)測能滿足“IoU數(shù)值閾值”與“置信度閾值”（NMS算法）的結(jié)果參與最終混淆矩陣計算。
目標檢測有多個類別，一個類別計算出的AP數(shù)值，所有類別平均AP數(shù)值稱為mAP（mean Average Precision）。
原label的bbox與模型預(yù)測的bbox的交并比為IoU：
精確率公式：
召回率公式：
精確率和召回率是由混淆矩陣中的數(shù)值得到，其中的TP、FP、TN、FN都是會“IoU數(shù)值閾值”和“置信度閾值”影響的。
舉例來說，當IoU取值為0.5，對于某一個類別，取不同“置信度閾值”，我們會得到不同的TP、FP、TN、FN，也就是不同的P和R，則可以繪制P-R曲線：
得到P-R曲線之后，計算P-R曲線下方的面積【也稱為AUC】即是這個類別的AP數(shù)值（最大為1）。計算方法多種多樣，可以自行搜索。
mAP_0.5
即是IoU取值為0.5，計算出模型的mAP數(shù)值。
mAP_0.5,0.95,0.05
即是 IoU ∈ [0.5 : 0.05 : 0.95] ，每一個IoU計算出一個mAP，最后求平均值。
顯然，mAP_0.5,0.95,0.05的數(shù)值會比mAP_0.5的數(shù)值要小，因為IoU越大，mAP一般就會越小。文章來源：http://www.zghlxwxcb.cn/news/detail-420422.html
參考：
https://www.bilibili.com/video/BV13k4y1m7DY/?vd_source=01d48741bf4b441465aae4f2a5c8e70a文章來源地址http://www.zghlxwxcb.cn/news/detail-420422.html
到了這里，關(guān)于【深度學習】目標檢測的性能評價指標，mAP_0.5，mAP_0.5,0.95,0.05的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
