查準率：precision
查準率就是在**中的正例中為正例的比重
precision=tp/(tp+fp)
查全率：recall
查全率是所有的正例有被檢測出來的比例
recall=tp/(tp+fn)
簡單理解：precision就是檢索出的條目有多少是準確的，recall就是所有正確的條目有多少檢測出來了，一般來說兩者是互相影響的，準確率高，召回率就低，準確率低，召回率就高。
f1值
是pr值的調和平均
f1=2*p*r(p+r)
p-r曲線
pascal voc challenge 計算方法
假設 n 個樣本中有 m 個正樣本，那麼會得到 m 個 recall 值（1/m,2/m,3/m,...,m/m），每乙個 recall 值都可以計算出相應的 precision 值，然後對這 m 個 precision 值取平均值就可以得到最後的 ap值，將 recall 設為橫座標，precision 設為縱座標可以畫出 p-r 曲線
影象檢測的ap：
1. 使用區域選擇演算法（如selective search）得到候選區域
2. 對候選區域，計算每乙個候選區域和標定框（groud truth）的iou
3. 設定乙個iou閾值，大於這個的標為正樣本，小於的標為負樣本，由此得到乙個類似於分類時的測試集
4. 將給定的測試集（正負樣本），通過分類器，算出每乙個是正樣本的score
5. 設定乙個score閾值，大於等於此值的視作正樣本，小於的作為正樣本
6. 根據上一步的結果可以算出準確率和召回率
7. 調節score閾值，算出召回率從0到1時的準確率，得到一條曲線
8. 計算曲線的下面積 則為ap
ap值
對 p-r 曲線求面積就是 ap 的值，在所有類別上的取平均就是 map 值
目標檢測技術指標
由於部分行間公式渲染不成功，公式完整版請移步個人部落格 map在目標檢測中用於判斷識別的準確率，即用於衡量物品被檢測出的概率，其跟以下兩個指標有關 對於以上兩個概念，將其置於標準二分類問題框架下有以下公式 precision cfrac recall cfrac 對於以上，有 對於不同的識別閾值，p...
目標檢測之mAP指標筆記
首先作為目標檢測的重要通用指標map，用於衡量演算法模型對於資料集中指定目標進行檢測的準確程度，這個準確程度有兩層含義 第乙個指分類的精確程度 pricision 第二個指 框的準確程度 iou 一般理解map需要先理解什麼是pricision，什麼是recall，這個可以看文末的部落格，有很生動的...
目標檢測效能評價指標（mAP IOU）
1 true positives tp 被正確地劃分為正例 2 false positives fp 被錯誤地劃分為正例 3 false negatives fn 被錯誤地劃分為負例 4 true negatives tn 被正確地劃分為負例 a 對的 所有 tp tn tp fn fp tn 精確...