PR曲线计算方式：通过置信度就可以对所有样本进行排序，再逐个样本的选择阈值，在该样本之前的都属于正例，该样本之后的都属于负例。每一个样本作为划分阈值时，都可以计算对应的precision和recall，那么就可以以此绘制曲线。
远远未完成 笔记 待续
对每个样本的检测可以通过上面TP/FP/FN的计数来计算出精度与召回率。
-
Precision精度，即TP/(TP+FP)。指所有结果中正确的检索所占比例。结果中包含了真阳性结果TP和假阳性结果FP。其含义为所有被预测为正类的结果（其中也包含了被错误预测成正类的FP）中预测正确的结果所占比例。
Precision = frac{TP}{TP+FP}Precision=TP+FPTP
-
Recall召回率，即TP/(TP+FN)。指模型查找出正确对象的概率。其中包含了正确预测的正类TP，也包括了将正类错误预测成负类的FN。召回率的本质可以理解为查全率，即结果中的正样本占全部正样本的比例。
Recall = frac{TP}{TP+FN}Recall=TP+FNTP
-
PR：精度-召回率（Precision-RecallPrecision−Recall）曲线。这条曲线的两个变量程负相关，精度越高，召回率越低；召回率越高，精度越低。如果将所有对象都预测为正类，没有被错误预测成负类的正类（FN为0）那么召回率将为100%；如果将所有对象的预测都为负，没有被错误预测成正的样本，那么精度就将为100%,这两个指标间存在着此消彼长的关系，理想的曲线是向右上方凸出的、包围面积大的曲线。
-
AP均匀精度Average Precision：PR曲线下所围成的面积，面积越大越好；这里的average指的是针对不同recall的平均精度。
-
mAP平均均匀精度，mean Average Precision，指各类计算出AP在不同类别上的均值。这里的mean指的是对于检测算法在数据集上各类对象的表现。
-
Top-1/Top 错误率：指的是预测概率最高的类别输入目标类别的准确率。top1就是最高类别为目标类别的准确率，top5就是最高的五个中命中目标类别的准确率。
要计算mAP，首先需要计算每一个类别的AP值，主要有两种方法来计算PR曲线下的均值。
参考文献1：https://blog.csdn.net/qq_41994006/article/details/81051150
参考文献2：https://blog.csdn.net/b876144622/article/details/80009867
参考文献3：https://www.zhihu.com/question/53405779
参考文献4：https://www.cnblogs.com/Tom-Ren/p/11054605.html
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：【目标检测系列】PR曲线，MAP值等的总结 - Python技术站
微信扫一扫 
支付宝扫一扫 