深度学习知识点：mAP的两种计算方法及代码实现.pdfVIP

深度学习知识点：mAP的两种计算⽅法及代码实现 上⼀篇⽂章转载贾志刚⽼师的介绍mAP和召回率的计算，发现有些不⾜，便加以补 充。 ① 11-point interpolated average precision ⾸先设定⼀组阈值，[0, 0.1, 0.2, …, 1]。然后对于recall⼤于每⼀个阈值（⽐如recall0.3），我们都会得到⼀个对应的最⼤precision。 这样，我们就计算出了11个precision。AP即为这11个precision的平均值。这种⽅法英⽂叫做11-point interpolated average precision。 对应的PR图如下： 全插值⽅法 的最⼤precision，然后对这M个precision值取平均即得到最后的AP值。 对应的PR图如下： 两种⽅法代码实现如下： # 计算ap def voc_ap(rec, prec, use_07_metric=False): # voc2007的计算⽅式和voc2012的计算⽅式不同，⽬前⼀般采⽤第⼆种 ap = voc_ap(rec, prec, [use_07_metric]) Compute VOC AP given precision and recall. If use_07_metric is true, uses the VOC 07 11 point method (default:False). if use_07_metric: # 11 point metric ap = 0. for t in np.arange(0., 1.1, 0.1): if np.sum(rec = t) == 0: p = 0 else: p = np.max(prec[rec = t]) ap = ap + p / 11. else: # correct AP calculation # first append sentinel values at the end mrec = np.concatenate(([0.], rec, [1.])) mpre = np.concatenate(([0.], prec, [0.])) # compute the precision envelope for i in range(mpre.size - 1, 0, -1): mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i]) # to calculate area under PR curve, look for points # where X axis (recall) changes value i = np.where(mrec[1:] != mrec[:-1])[0] # and sum (\Delta recall) * prec ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1]) return ap mAP = sum(AP) / N 其中N表⽰总的类别数⽬