這裡僅作簡要分析，原始碼位址（**有些許改變）
1.資料夾分為兩個，真實標籤及檢測標籤
兩個資料夾中的檔案均為txt檔案，每張對應乙個txt檔案，其中真值標籤，每一行乙個目標，類別名+座標值
其中檢測標籤，每一行乙個目標，類別名+置信度+座標值
1.將所有真值標籤讀取並儲存json檔案，字典資料有以下3個，
按名劃分資料夾儲存
2.遍歷所有檔案，按照類別名儲存bounding_boxes，並按照置信度進行排序，並儲存json檔案，字典資料有以下3個
按照置信度排序，按類別名劃分資料夾儲存
3.遍歷檢測到的每一類bounding_boxes（順序遍歷，即按照置信度讀取當前類的框）
（1）獲取當前框所屬的名，調取對應的真值標籤
（2）計算真值標籤與識別標籤的iou，取最高iou（ovmax）對應的兩個框（檢測框及其對應的真值框）
（3）若ovmax大於最小閾值，一般為0.5，且真值框未被使用過，則為tp，使用過為fp
（4）ovmax小於閾值，則為fp
（5）根據當前類得到的所有框的tp和fp序列，按序列順序計算召回率rec和精確度prec
（6）得到的rec和prec輸入給voc_ap計算當前類別ap值，召回率及精確度
4.計算出各類別ap後平均即是map
旋轉檢測的map評估僅改變iou計算方式，傳統目標檢測的iou計算如下所示
目標檢測計算mAP
參考1 pascal voc從2007開始用interpolated法計算map coco的map低的原因 coco資料集結果評估 ssd計算map faster r cnn計算map coco資料annotation內容,bbox是 x,y,width,height 畫pr曲線 使用cocoapi...
目標檢測mAP值計算
tp true positives 意思是 被分為正樣本，並且分對了 tn true negatives 意思是 被分為負樣本，而且分對了 fp false positives 意思是 被分為正樣本，但是分錯了 fn false negatives 意思是 被分為負樣本，但是分錯了 按下圖來解釋，左...
目標檢測學習（2）map計算
一 前言 二 tp tn fp fn 這4個值由以下圖就很好理解了 tp 實際為真，為真 tn 實際為假，為假 fp 實際為假，為真 fn 實際為真，為假 三 accuracy precision recall 準確率 accuracy tp tn tp tn fp fn 所有樣本中，對的概率 精確...