快捷導(dǎo)航

mAP計(jì)算目標(biāo)檢測精確度實(shí)現(xiàn)源碼

更新時(shí)間：2022年05月09日 10:09:01 作者：Bubbliiiing

這篇文章主要為大家介紹了mAP計(jì)算目標(biāo)檢測精確度的實(shí)現(xiàn)源碼，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

GITHUB代碼下載

1、IOU的概念

IOU的概念應(yīng)該比較簡單，就是衡量預(yù)測框和真實(shí)框的重合程度。下圖是一個(gè)示例：圖中綠色框?yàn)閷?shí)際框（好像不是很綠……），紅色框?yàn)轭A(yù)測框，當(dāng)我們需要判斷兩個(gè)框之間的關(guān)系時(shí)，主要就是判斷兩個(gè)框的重合程度。

計(jì)算IOU的公式為：

可以看到IOU是一個(gè)比值，即交并比。

在分子部分，值為預(yù)測框和實(shí)際框之間的重疊區(qū)域；

在分母部分，值為預(yù)測框和實(shí)際框所占有的總區(qū)域。

交區(qū)域和并區(qū)域的比值，就是IOU。

2、TP TN FP FN的概念

TP TN FP FN里面一共出現(xiàn)了4個(gè)字母，分別是T F P N。

T是True；

F是False；

P是Positive；

N是Negative。

T或者F代表的是該樣本是否被正確分類。

P或者N代表的是該樣本被預(yù)測成了正樣本還是負(fù)樣本。

TP（True Positives）意思就是被分為了正樣本，而且分對了。

TN（True Negatives）意思就是被分為了負(fù)樣本，而且分對了，

FP（False Positives）意思就是被分為了正樣本，但是分錯(cuò)了（事實(shí)上這個(gè)樣本是負(fù)樣本）。

FN（False Negatives）意思就是被分為了負(fù)樣本，但是分錯(cuò)了（事實(shí)上這個(gè)樣本是這樣本）。

在mAP計(jì)算的過程中主要用到了，TP、FP、FN這三個(gè)概念。

3、precision（精確度）和recall（召回率）

TP是分類器認(rèn)為是正樣本而且確實(shí)是正樣本的例子，F(xiàn)P是分類器認(rèn)為是正樣本但實(shí)際上不是正樣本的例子，Precision翻譯成中文就是“分類器認(rèn)為是正類并且確實(shí)是正類的部分占所有分類器認(rèn)為是正類的比例”。

TP是分類器認(rèn)為是正樣本而且確實(shí)是正樣本的例子，F(xiàn)N是分類器認(rèn)為是負(fù)樣本但實(shí)際上不是負(fù)樣本的例子，Recall翻譯成中文就是“分類器認(rèn)為是正類并且確實(shí)是正類的部分占所有確實(shí)是正類的比例”。

4、概念舉例

如圖所示，藍(lán)色的框是真實(shí)框。綠色和紅色的框是預(yù)測框，綠色的框是正樣本，紅色的框是負(fù)樣本。一般來講，當(dāng)預(yù)測框和真實(shí)框IOU>=0.5時(shí)，被認(rèn)為是正樣本。

因此對于這幅圖來講。

真實(shí)框一共有3個(gè)，正樣本一共有2個(gè)，負(fù)樣本一共有2個(gè)。

此時(shí)

5、單個(gè)指標(biāo)的局限性

在目標(biāo)檢測算法里面有一個(gè)非常重要的概念是置信度，如果置信度設(shè)置的高的話，預(yù)測的結(jié)果和實(shí)際情況就很符合，如果置信度低的話，就會(huì)有很多誤檢測。

假設(shè)一幅圖里面總共有3個(gè)正樣本，目標(biāo)檢測對這幅圖的預(yù)測結(jié)果有10個(gè)，其中3個(gè)實(shí)際上是正樣本，7個(gè)實(shí)際上是負(fù)樣本。對應(yīng)置信度如下。

如果我們將可以接受的置信度設(shè)置為0.95的話，那么目標(biāo)檢測算法就會(huì)將序號為1的樣本作為正樣本，其它的都是負(fù)樣本。此時(shí)TP = 1，F(xiàn)P = 0，F(xiàn)N = 2。

此時(shí)Precision非常高，但是事實(shí)上我們只檢測出一個(gè)正樣本，還有兩個(gè)沒有檢測出來，因此只用Precision就不合適。

這個(gè)時(shí)候如果我們將可以接受的置信度設(shè)置為0.35的話，那么目標(biāo)檢測算法就會(huì)將序號為1的樣本作為正樣本，其它的都是負(fù)樣本。此時(shí)TP = 3，F(xiàn)P = 3，F(xiàn)N = 0。

此時(shí)Recall非常高，但是事實(shí)上目標(biāo)檢測算法認(rèn)為是正樣本的樣本里面，有3個(gè)樣本確實(shí)是正樣本，但有三個(gè)是負(fù)樣本，存在非常嚴(yán)重的誤檢測，因此只用Recall就不合適。

二者進(jìn)行結(jié)合才是評價(jià)的正確方法。

什么是AP

AP事實(shí)上指的是，利用不同的Precision和Recall的點(diǎn)的組合，畫出來的曲線下面的面積。如下面這幅圖所示。

當(dāng)我們?nèi)〔煌闹眯哦?，可以獲得不同的Precision和不同的Recall，當(dāng)我們?nèi)〉弥眯哦葔蛎芗臅r(shí)候，就可以獲得非常多的Precision和Recall。

此時(shí)Precision和Recall可以在圖片上畫出一條線，這條線下部分的面積就是某個(gè)類的AP值。

mAP就是所有的類的AP值求平均。

繪制mAP

我們首先在下載繪制mAP所需的代碼。

在這個(gè)代碼中，如果想要繪制mAP則需要三個(gè)內(nèi)容。分別是：

detection-results：指的是預(yù)測結(jié)果的txt。

ground-truth：指的是真實(shí)框的txt。

image-optional：指的是圖片，有這個(gè)可以可視化，但是這個(gè)可以沒有。

我們需要生成這三個(gè)內(nèi)容，此時(shí)下載第二個(gè)庫，這個(gè)是我拿我制作的ssd代碼寫的一個(gè)可以生成對應(yīng)txt的例子。

點(diǎn)擊下載

我們首先將整個(gè)VOC的數(shù)據(jù)集放到VOCdevikit中

然后修改voc2ssd.py里面的trainval_percent，一般用數(shù)據(jù)集的10%或者更少用于測試。如果大家放進(jìn)VOCdevikit的數(shù)據(jù)集不是全部數(shù)據(jù)，而是已經(jīng)篩選好的測試數(shù)據(jù)集的話，那么就把trainval_percent設(shè)置成0，表示全部的數(shù)據(jù)都用于測試。

然后運(yùn)行voc2ssd.py。此時(shí)會(huì)生成test.txt，存放用于測試的圖片的名字。

然后依次運(yùn)行主目錄下的get_dr_txt.py和get_gt_txt.py獲得預(yù)測框?qū)?yīng)的txt和真實(shí)框?qū)?yīng)的txt。get_dr_txt.py是用來檢測測試集里面的圖片的，然后會(huì)生成每一個(gè)圖片的檢測結(jié)果，我重寫了detect_image代碼，用于生成預(yù)測框的txt。利用for循環(huán)檢測所有的圖片。