目标检测map达到多少比较好,目标检测map理想值

　　本文主要为大家介绍地图计算目标检测精度的实现源代码。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

目录

GITHUB代码下载

　　这是用来绘制地图曲线的。

　　这是用来获取绘制地图曲线所需的txt。

1、IOU的概念

　　IOU的概念应该比较简单，就是衡量预测框和真实框的重合度。下图就是一个例子：图中的绿框是实际框(好像不是很绿……)，红框是预测框。当我们需要判断两个盒子的关系时，主要是判断两个盒子的重合程度。

　　IOU的计算公式为：

　　可以看出，IOU是一个比值，即交比。

　　分子部分，值是预测帧和实际帧的重叠面积；

　　在分母部分，该值是预测框和实际框所占的总面积。

　　相交面积与合并面积之比为IOU。

2、TP TN FP FN的概念

　　TP FP FN中有四个字母，分别是T F P N。

　　t为真；

　　f是假的；

　　p为正；

　　它是阴性的。

　　或者t f代表样本是否被正确分类。

　　或者p n表示样本被预测为正样本还是负样本。

　　TP(真阳性)是指已经被分成了阳性样本，而且已经被正确的分成了。

　　TN(真阴性)就是分阴性样本，而且是成对分的。

　　FP(假阳性)是指分成阳性样本，但是是错的(实际上这个样本是阴性的)。

　　FN(假阴性)的意思是分成阴性样本，但是错了(其实这个样本是这样的)。

　　在mAP计算的过程中，主要用到TP、FP、FN三个概念。

3、precision（精确度）和recall（召回率）

　　TP是分类器认为是正样本且确实是正样本的例子，FP是分类器认为是正样本但实际不是的例子，Precision翻译成中文就是“分类器认为是正类且是正类的部分占所有分类器认为是正类的比例”。

　　TP是分类器认为是正样本且确实是正样本的例子，FN是分类器认为是负样本但实际不是负样本的例子。回忆翻译成中文的意思是“分类器认为是正类并且是正类的部分占所有正类的比例”。

4、概念举例

　　如图，蓝色的盒子才是真正的盒子。绿色和红色框是预测框，绿色框是正样本，红色框是负样本。一般来说，当预测帧和真实帧IOU=0.5时，被认为是正样本。

　　所以对于这张图。

　　有3个真正的盒子，2个阳性样品和2个阴性样品。

　　此刻

5、单个指标的局限性

　　目标检测算法中有一个非常重要的概念：置信度。如果置信度设置得较高，则预测结果与实际情况非常吻合。如果置信度低，就会有很多误检。

　　假设一个图片有三个正样本，目标检测这个图片有十个预测结果，其中三个实际上是正样本，七个实际上是负样本。对应的置信度如下。

　　如果我们能回答这个问题

　　受的置信度设置为0.95的话，那么目标检测算法就会将序号为1的样本作为正样本，其它的都是负样本。此时TP = 1，FP = 0，FN = 2。

　　此时Precision非常高，但是事实上我们只检测出一个正样本，还有两个没有检测出来，因此只用Precision就不合适。

　　这个时候如果我们将可以接受的置信度设置为0.35的话，那么目标检测算法就会将序号为1的样本作为正样本，其它的都是负样本。此时TP = 3，FP = 3，FN = 0。

　　此时Recall非常高，但是事实上目标检测算法认为是正样本的样本里面，有3个样本确实是正样本，但有三个是负样本，存在非常严重的误检测，因此只用Recall就不合适。

　　二者进行结合才是评价的正确方法。

什么是AP

　　AP事实上指的是，利用不同的Precision和Recall的点的组合，画出来的曲线下面的面积。如下面这幅图所示。

　　当我们取不同的置信度，可以获得不同的Precision和不同的Recall，当我们取得置信度够密集的时候，就可以获得非常多的Precision和Recall。

　　此时Precision和Recall可以在图片上画出一条线，这条线下部分的面积就是某个类的AP值。

　　mAP就是所有的类的AP值求平均。

绘制mAP

　　我们首先在下载绘制mAP所需的代码。

　　在这个代码中，如果想要绘制mAP则需要三个内容。分别是：

　　detection-results：指的是预测结果的txt。

　　ground-truth：指的是真实框的txt。

　　image-optional：指的是图片，有这个可以可视化，但是这个可以没有。

　　我们需要生成这三个内容，此时下载第二个库，这个是我拿我制作的ssd代码写的一个可以生成对应txt的例子。

　　点击下载

　　我们首先将整个VOC的数据集放到VOCdevikit中

　　然后修改voc2ssd.py里面的trainval_percent，一般用数据集的10%或者更少用于测试。如果大家放进VOCdevikit的数据集不是全部数据，而是已经筛选好的测试数据集的话，那么就把trainval_percent设置成0，表示全部的数据都用于测试。

　　然后运行voc2ssd.py。此时会生成test.txt，存放用于测试的图片的名字。

　　然后依次运行主目录下的get_dr_txt.py和get_gt_txt.py获得预测框对应的txt和真实框对应的txt。get_dr_txt.py是用来检测测试集里面的图片的，然后会生成每一个图片的检测结果，我重写了detect_image代码，用于生成预测框的txt。利用for循环检测所有的图片。

　　get_dr_txt.py是用来获取测试集中的xml，然后根据每个xml的结果生成真实框的txt。利用for循环检测所有的xml。

　　完成后我们会在input获得三个文件夹。

　　此时把input内部的文件夹复制到mAP的代码中的input文件夹内部就可以了，然后我们运行mAP的代码中的main.py，运行结束后，会生成mAP相关的文件。

　　结果生成在Result里面。

　　以上就是mAP计算目标检测精确度实现源码的详细内容，更多关于mAP目标检测的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。