总述
- 要理解mAP与F1 Score需要一些前置条件，比如：IoU、FP、TP、FN、TN、AP等
IoU
- 衡量监测框和标签框的重合程度。一张图就能解释。
TP、TN、FP、FN
- TP，即True Positives，表示样本被分为正样本且分配正确。
- TN，即True Negatives，表示样本被分为样本且分配正确。
- FP，即False Positives，表示样本被分为正样本但分配错误。
- FN，即False Negatives，表示样本被分为负样本但分配错误。
Precision
- Precision，即精度，表示被正确分配的正样本数占总分配的正样本数的比例，公式为
- P r e c i s i o n = T P ( T P + F P ) Precision=\frac{TP}{(TP+FP)} Precision=(TP+FP)TP
Recall
- Recall，即召回率，表示被正确分配的正样本数占总正样本数的比例，公式为
- R e c a l l = T P ( T P + F N ) Recall=\frac{TP}{(TP+FN)} Recall=(TP+FN)TP
F1-Score
- F1-Score又称F1分数，是分类问题的一个衡量指标，常作为多分类问题的最终指标，它是精度和召回率的调和平均数。对于单个类别的F1分数，可使用如下公式计算
- f 1 k = 2 R e c a l l k ∗ P r e c i s i o n k R e c a l l k + P r e c i s i o n k f1_k=2 \frac{Recall_k*Precision_k}{Recall_k+Precision_k } f1k=2Recallk+PrecisionkRecallk∗Precisionk
- 而后计算所有类别的平均值，记为F1，公式为
- F 1 = ( 1 n Σ f 1 k ) 2 F1= (\frac{1}{n}\Sigma f1_k )^2 F1=(n1Σf1k)2
mAP
- mAP，英文全称是mean Average Precision,即各类别AP的平均值，AP的计算使用了差值平均准确率的评测方法，即Precision-Recall曲线下的面积，公式为
- A P = ( 1 n Σ ( r ∈ 1 n , 2 n … n − 1 n , 1 ) P i n t e r p o ( r ) ) AP=(\frac{1}{n}\Sigma_{(r∈{\frac{1}{n},\frac{2}{n}…\frac{n-1}{n},1})}{P_interpo (r)}) AP=(n1Σ(r∈n1,n2…nn−1,1)Pinterpo(r))
其中n表示检测点的个数，P_interpo ®代表在召回率为r时准确率的数值。根据AP可计算mAP，公式为 - m A P = ( 1 n Σ A P ) mAP=(\frac{1}{n} \Sigma {AP}) mAP=(n1ΣAP)
mAP计算过程：
- 涉及到PR图，挖坑
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/182161.html原文链接：https://javaforall.net
