目标检测中的Map指标讲解

目标检测与图像分类不同，目标检测不仅要对检测出来的目标框正确分类，同时，还需要考虑目标框与target是否贴合。

首先我们需要知道几个常见指标：

TP (True Positive):iou>0.5的检测框数量。在上图中，绿色的框表示GT，其中cat 0.9的红色框就是TP。

FP (False Positive):iou<=0.5的检测框。cat 0.3的红色框与GT的IOU小于0.5所以是FP。
FN (False Negative):没有检测到的GT(ground truth)数量。上图中右下角的绿色框出现漏检了所以FN+1。

查准率：Precision:TP/(TP+FP) 模型预测的所有目标中，预测正确的比例

 

如上图所示，当存在5个GT时，模型仅检测出序号1，此时TP=1，FP=0，查准率是1，无法准确评定模型性能。

查全率：Recall:TP/(TP+FN) 所有真实目标中，模型预测正确的目标比例

如上图所示，模型预测的检测框超过了GT的数量，其中TP=5，FN=0，召回率=1，所以单召回率也无法准确评定模型性能。

P-R曲线：不同confidence会对应不同TP,FP，将不同confidence下Precision与Recall组成的点连接起来就形成了P-R曲线。
AP：P-R曲线下的面积；mAP：各类别AP的平均值。

下面我们具体讲解如何绘制P-R曲线并计算AP

 

上图我们可以看到，一共出现了7只小猫，即7个GT，把他们分别按照图上的id编号。其中id:1模型检测出两个预测框，分别是cat 0.98，cat 0.61。很明显cat 0.98与GT1的iou大于0.5，所以当confidence小于0.98时，我们就可以把cat 0.98认为是TP，而cat 0.61如果confidence设置小于0.61我们就认为是FP。id:2出现漏检所以FN+1。我们按照confidence大小将各个检测框进行排序并写入下表中。下面开始计算Precision与Recall。当confidence设置为0.98时，TP=1，FP=0，FN=6，因为只有cat 0.98置信度大于等于0.98，可以看作TP，其余检测框的置信度均小于0.98所以不存在FP，同时其余GT均视为漏检，即FN=6。所以Rank1的Precision=1，Recall=0.14。依次降低置信度，可以得到P-R的值。

 

将左表中的坐标连接绘制出P-R曲线，并计算出面积即AP。

结合目标检测代码来看看具体步。

给定了一个IOU阈值、并给定了一个类别，如何具体地计算检测的性能。首先，我们要先对所有的检测结果排序，得分越高的排序越靠前，然后依次判断检测是否成功。将排序后的所有结果定义为DTs，所有同类别的真实目标定义为GTs。先依序遍历一遍DTs中的所有DT，每个DT和全部GT都计算一个IOU，如果最大的IOU超过了给定的阈值，那么视为检测成功，算作TP（True Positive），并且最大IOU对应的GT被视为匹配成功；如果该DT与所有GT的IOU都没超过阈值，自然就是FP（False Positive）；同时，每当一个GT被检测成功后，都会从GTs中“被取走”，以免后续的检测结果重复匹配。因此如果有多个检测结果都与同一个GT匹配，那么分数最高的那个会被算为TP，其余均为FP。遍历完成后，我们就知道了所有DTs中，哪些是TP，哪些是FP，而由于被匹配过的GT都会“被取走”，因此GTs中剩下的就是没有被匹配上的FN（False Negative）。以下是为了方便理解的代码（Python），这段代码仅用于理解，效率较低。真实代码请参考MS COCO的官方源码。

 

文章中的图片与表格来自https://www.bilibili.com/video/BV1ez4y1X7g2，视频讲解很棒。