黑马程序员技术交流社区
标题:
【上海校区】目标检测性能评价指标mAP、Precision、Recall、IoU
[打印本页]
作者:
梦缠绕的时候
时间:
2018-10-24 09:29
标题:
【上海校区】目标检测性能评价指标mAP、Precision、Recall、IoU
一、mAP
1. TP,FP,FN,TN
(1)TP(True positives):正确划分正例个数;正->正;
(2)FP(False positives):错误划分正例个数;负->正;
(3)FN(False negatives):错误划分负例个数;正->负;
(4)TN(True negatives):正确划分负例个数;负->负;
2. Precison
表示为正确划分正例个数/全部个数;
3. Recall
表示为预测样本中实际正样本数 / 预测的样本数;
一般来讲,召回率越高,准确率越低。
4.PR曲线
P-R曲线即 以 precision 和 recall 作为 纵、横轴坐标 的二维曲线,P-R曲线围起来的面积就是AP值,通常来说一个越好的分类器,AP值越高。
在目标检测中,每一类都可以根据 recall 和 precision绘制P-R曲线,AP就是该曲线下的面积,mAP就是所有类AP的平均值。
二、IoU
IoU(Intersection over Union) 是一种测量在特定数据集中检测相应物体准确度的一个标准;在很多检测中都有用到这种方法,例如RCNN、Faster-RCNN、YOLO;
IoU是一个简单的测量标注,只要是在输出中得到一个预测范围(Bounding Box)的任务都可以用IoU进行测量,为了可以使IoU用于测量任意大小形状的物体检测:
(1)Ground-truth bounding box;
(2)算法计算出的结果;
IoU相当于产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率或者是重叠率。
以上三张图从左到右分别是差的,好的,非常好的。
一般认为,IoU>0.5是好的结果,但是在实际应用中,大多数算法会设置IoU>0.7。
---------------------
作者:蹦跶的小羊羔
来源:CSDN
原文:
https://blog.csdn.net/yql_617540298/article/details/83018916
版权声明:本文为博主原创文章,转载请附上博文链接!
作者:
不二晨
时间:
2018-10-25 10:43
作者:
魔都黑马少年梦
时间:
2018-11-1 16:19
欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)
黑马程序员IT技术论坛 X3.2