由于部分行間公式渲染不成功，公式完整版請(qǐng)移步個(gè)人博客
mAP：識(shí)別準(zhǔn)確率
mAP在目標(biāo)檢測(cè)中用于判斷識(shí)別的準(zhǔn)確率，即用于衡量物品被檢測(cè)出的概率，其跟以下兩個(gè)指標(biāo)有關(guān)：
- Precision（準(zhǔn)確率）：檢測(cè)出的“物品有多少是真的物品
- Recall（召回率）：數(shù)據(jù)集中的物品有多少被檢出
對(duì)于以上兩個(gè)概念，將其置于標(biāo)準(zhǔn)二分類問(wèn)題框架下有以下公式：
$$
Precision = \cfrac{TP}{TP+FP} \\
Recall = \cfrac{TP}{TP+FN}
$$
對(duì)于以上，有：
- TP：正例，被識(shí)別為正例
- FP：反例，被識(shí)別為正例
- TN：反例，被識(shí)別為正例
- FN：正例，被識(shí)別為反例
對(duì)于不同的識(shí)別閾值，Precision和Recall會(huì)發(fā)生變化，選取多個(gè)閾值（不重新訓(xùn)練模型），可以獲得多組Precision和Recall，將這數(shù)據(jù)繪制圖像，橫軸為Recall，縱軸為Precision，曲線下的面積為參數(shù)AP
map.png
多次測(cè)試取平均值即為參數(shù)mAP值，該值越大說(shuō)明系統(tǒng)性能越強(qiáng)
IOU：檢測(cè)效果
通俗來(lái)說(shuō)，IOU用于衡量目標(biāo)檢測(cè)中目標(biāo)框的準(zhǔn)不準(zhǔn)，其定義為：
$$
IOU = \cfrac{A \bigcap B}{A \bigcup B}
$$
其中A為系統(tǒng)預(yù)測(cè)出的框，B為數(shù)據(jù)本身的標(biāo)注框，IOU衡量了預(yù)測(cè)出的框和原來(lái)的框的重疊程度，如下圖所示，IOU就是陰影部分面積比整個(gè)AB組合的面積。
iou.png
