目标检测精度评估指标详解：召回率、mAP和MR-2

创作时间:

作者:

@小白创作中心

目标检测精度评估指标详解：召回率、mAP和MR-2

引用

CSDN

https://m.blog.csdn.net/qq_43642885/article/details/140426051

在目标检测领域，评估模型性能的常用指标包括召回率（Recall）、平均精度均值（mAP）和平均对数漏检率（MR-2）。本文将通过一个具体的Python代码示例，详细解释如何计算True Positives (TP)和False Positives (FP)，并进一步阐述TP、FP、TN和FN的概念及其在评估分类模型中的重要性。

检测精度评价指标主要包括：

召回率（Recall Rate）
平均精度均值（mAP）
平均对数漏检率（MR-2）

TP 和 FP 的计算示例

假设你有一个目标检测模型，并使用它检测图像中的目标。你需要计算 TP 和 FP 以评估模型的性能。我们假设有以下数据：

ground_truth: 实际的目标位置。
detections: 模型检测到的目标位置。

import cv2
import numpy as np

# 这是一个假设的 ground_truth 和 detections 数据
ground_truth = [
    (50, 50, 100, 100),  # 真实的目标区域
    (200, 200, 250, 250)
]
detections = [
    (55, 55, 105, 105),  # 检测到的目标区域（TP）
    (60, 60, 110, 110),  # 检测到的目标区域（TP）
    (210, 210, 260, 260),# 检测到的目标区域（TP）
    (300, 300, 350, 350) # 错误检测到的目标区域（FP）
]

# 计算 IoU（Intersection over Union）
def compute_iou(box1, box2):
    x1, y1, x2, y2 = box1
    x1g, y1g, x2g, y2g = box2
    
    xi1 = max(x1, x1g)
    yi1 = max(y1, y1g)
    xi2 = min(x2, x2g)
    yi2 = min(y2, y2g)
    
    inter_area = max(0, xi2 - xi1) * max(0, yi2 - yi1)
    
    box1_area = (x2 - x1) * (y2 - y1)
    box2_area = (x2g - x1g) * (y2g - y1g)
    
    union_area = box1_area + box2_area - inter_area
    
    iou = inter_area / union_area
    return iou

# 设置 IoU 阈值
iou_threshold = 0.5

# 初始化 TP 和 FP 计数器
TP = 0
FP = 0

# 遍历检测结果并计算 TP 和 FP
for detection in detections:
    is_tp = False
    for gt in ground_truth:
        iou = compute_iou(detection, gt)
        if iou >= iou_threshold:
            is_tp = True
            break
    if is_tp:
        TP += 1
    else:
        FP += 1

print(f'True Positives (TP): {TP}')
print(f'False Positives (FP): {FP}')

解释

计算 IoU：
compute_iou函数计算两个边界框之间的 IoU（Intersection over Union），用于判断检测结果是否与真实目标匹配。
设置阈值：设置一个 IoU 阈值（如 0.5），超过该阈值则认为检测结果是一个 TP。
遍历检测结果：对于每个检测结果，计算其与所有 ground truth 的 IoU，如果有一个超过阈值，则认为该检测结果是 TP，否则为 FP。

TP、FP、TN和FN的概念

真正例（True Positive, TP）：
解释：模型正确地将正类别样本预测为正类别。
例子：在疾病诊断中，一个病人实际患有疾病，模型也预测他患有疾病。
假正例（False Positive, FP）：
解释：模型错误地将负类别样本预测为正类别。
例子：在垃圾邮件检测中，一个正常的邮件被模型错误地标记为垃圾邮件。
真负例（True Negative, TN）：
解释：模型正确地将负类别样本预测为负类别。
例子：在疾病诊断中，一个病人实际上没有患病，模型也预测他没有患病。
假负例（False Negative, FN）：
解释：模型错误地将正类别样本预测为负类别。
例子：在疾病诊断中，一个病人实际患有疾病，但模型预测他没有患病。