目标检测——yolov4模型评价

目标检测模型的好坏通常用mAP和FPS来评价，一个代表准确度，一个代表速度。

mAP的评价指标确切的说无模型无关。

mAP--mean Average Precision.

我们用Precision表示模型预测的精度，即模型预测的所有正例中真正正例的比例

用recall表示模型的召回率，即模型预测的真正正例中占所有正例的比例。文字描述比较费劲。

画一个图就好理解了。

 

 

 Precision = TP / （TP+ FN） 预测正确的框 / 所有的预测的框

 Recall = TP / （TP+ FN） 预测正确的框 / 所有的框

在目标检测如何判断预测正确呢，通常计算预测框与真实框的iou，一般设定阈值为0.5， 即大于0.5的判断为预测正确（TP）

因为一个GT只能对应一个预测框，那么只有与GT框 iou最大的，且大于0.5的为TP，其余均为FP  。

举一个例子，例子来源知乎AICV的回答：

 

 

 预测框为红色，GT框为绿色，图片中的百分数为置信度，置信度为88%的框与GT框iou小于0.5，所以这个预测框为FP，依次可以类推出所有的预测框是TP or FP

 

将置信度从大到小排列

 

 

求出所有的TP数量和FP数量，求出不同置信度下的Precision和Recall，绘制PR曲线，横坐标为Recall，纵坐标为Precision

 

 计算PR曲线下的面积，即为所求的AP值

 如何计算面积呢？

在VOC2012之前，只需要选取当Recall >= 0, 0.1, 0.2, ..., 1共11个点时的Precision最大值，然后AP就是这11个Precision的平均值。

需求根据之前的PR曲线插值求出Recall 分别等于0.1，0.2，0.3.。。。1时的Precision值.

在VOC2012之后，需要针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，

然后计算PR曲线下面积作为AP值。

（ 0.0666-0）*1 + （0.1333-0.0666）*（0.6666）+ （0.2-0.1333）*（0.4285）+（0.2666-0.2）*（0.4285）+（0.3333-0.2666）*（0.4285）

+（0.4-0.3333）*（0.4285）+ （0.46666-0.4）*（0.3043）+（1-0.46666）* 0 = 0.245627808

最终求得AP值为24.56%

要计算 mAP，就把所有类别的 AP 计算出来，然后求取平均即可。