入门理解 · 评估指标
核心概念
- IoU（Intersection over Union）：预测框与真实框的交并比，用来衡量检测结果是否准确。
- Precision（精度）：正确预测为正例的比例（TP / (TP + FP)）。
- Recall（召回率 / 查全率）：实际正例中被正确预测的比例（TP / (TP + FN)）。
- PR 曲线：在不同阈值下绘制 Precision 与 Recall 的关系曲线。
- mAP（mean Average Precision）：对多个类别的平均精度取平均，衡量整体检测性能。
提出问题
- 如何客观评价目标检测算法的性能？
- 为什么仅靠精度或召回率不足以衡量检测效果？
- 如何将不同阈值下的检测表现综合成一个指标？
论点与解决方案
- 单独使用 Precision 或 Recall 不能全面反映模型性能，因为两者存在天然矛盾。
- 解决方案：
- 先通过 IoU 判断预测是否正确。
- 在不同阈值下计算 Precision 与 Recall，绘制 PR 曲线。
- 以 曲线下的面积 表示平均精度（AP），再对所有类别取平均，得到 mAP。
关键机制 / 细节
-
IoU 计算：
IoU=预测框∩真实框预测框∪真实框IoU = \frac{预测框 \cap 真实框}{预测框 \cup 真实框}IoU=预测框∪真实框预测框∩真实框
- IoU 越高，预测框与真实框重合度越大，检测效果越好。
-
混淆矩阵指标：
- TP（True Positive）：真实为正，预测为正。
- FP（False Positive）：真实为负，预测为正。
- FN（False Negative）：真实为正，预测为负。
- TN（True Negative）：真实为负，预测为负。
-
Precision 公式：
Precision=TPTP+FPPrecision = \frac{TP}{TP + FP}Precision=TP+FPTP
-
Recall 公式：
Recall=TPTP+FNRecall = \frac{TP}{TP + FN}Recall=TP+FNTP
-
PR 曲线 & AP：
- 随着置信度阈值变化，Precision 与 Recall 呈反比关系。
- 在所有阈值下绘制 PR 曲线，并计算曲线下的面积（AP）。
-
mAP：对所有类别的 AP 取平均，作为综合性能指标。mAP 越高，模型越好。
总结
- IoU 用于判定预测是否正确，是计算 Precision 和 Recall 的基础。
- Precision 与 Recall 体现了检测任务中的准确性与覆盖度，但需要结合使用。
- mAP 是最常用的综合指标，能够平衡不同阈值下的表现。
- 在工程应用中，速度（FPS）与 mAP 常常相互制约，需要根据任务需求权衡。