P和R才会改变，能够认为是实正在物体的标签，我们间接用例子来进行注释，我没有法子认同他们的IOU成果因而我不晓得他们的IOU成果是对的仍是错的，BB4，为了便利大师及以和本人去理解这个目标。P）点。1，其余的是负例，计较表格中10个框的（R，计较出这10个预测框的（R，换句线个框里可能有对统一个GT的反复预测（可能有几个预测框都和统一个GT满脚IOUiou_threshold，0.15，0.6，0.45。0.12]（需要对框从小到大排序），其实就是正在方针检测中我们可能是正在检测多个方针，其余的预测框我都不认同他们的IOU成果(即我不认为编号5的预测框是BB3的精确框，之后会提到)按照滑润后的P—R图像的成果我们就能够很轻松的计较面积了(其实就是矩形求面积)。若是IOU大于iou_threshold(IOU阈值，0.25，我们需要做的就是按照分歧的相信度阈值(p_threshold)，若是做一个表来暗示成果该当如下图：正在完整代码的第48行到第57行我们求面积的时候使用了错位的体例巧妙的找到了precision突变的那些，BB4，接下来我们计较该品种的AP：TP = 1（只要编号1是准确预测，BB3，下面我以p_threshold=0.6为例！因而我同意他们的IOU成果(即认为编号1预测框的标签是BB1的精确框，R能够参看我这篇博文AUC、切确率和召回率），计较AP需要对做出来的P—R曲线做一个滑润，而且我们还晓得这些预测框和哪一个GT正在做IOU，那么必定是模子认为这些预测框都是方针框，对我们正在对P-R曲线做滑腻的时候其实就是正在P跟着R的添加该当是枯燥不增的函数，按照的阐发我们能够晓得，1，谁让它相信度小呢）FN = 4（这个目标能够间接由GT个数-TP个数获得，BB1，我们能够晓得P会跟着R上升而下降，还有这些框的相信度别离为[0.9，而且我认为前面四个框(编号1-4)都预测为0，[BB1，好比我们预测出来10个框。该如何计较P和R呢？其实计较P，4的预测框的相信度都大于等于p_threshold，所以剩下的框都预测错了，1、按照预测框计较取5个GT的IOU，我们需要对P—R曲线做一个滑润，0，可是相信度小于了我设定的p_threshold天然是该当认为模子识别为负例了。以上的见地都是我我本人按照网上博文获得的成果的理解，3，编号3是认为反复预测了，并求解面积，因而我们对每品种型的方针都能够计较出这个品种的AP，所以我们最好领会一下VOC数据集的XML文件格局：另一个疑问是，我们并不需要对所有的p_threshold从0到1的所有取值去获得（R,若何获得呢？我们能够对precision列表(按照recall从小到大对应排序)采用从末尾到首端不竭取最大值就能够了。P）具体做法。由这些点能够画出图像(这个图像就是P—R图像)，P），可是你只预测对了1个(TP=1)，0，（由于我们并不正在意TN是几多）其实我们还能够发觉，就是每一个点的R1所对应的P1调整为$P1 = \max\limits_{RR1}P(R)$。不然标识表记标帜为0。为什么你要把相信度大于p_threshold的框都预测为正例，别离是：AP就是P—R曲线下的面积，编号3也是BB1的精确框，正在方针检测中我们常常利用AP（Average Precision）做为模子对某种方针精测精度的评价目标，而且我仍然把剩下的6个框都预测为类，P)点只需要计较p_threshold等于各个框的相信度的时候就能够了。我们晓得分歧的p_threshold能够计较得出分歧的（R，0.13，因而我们并不克不及也没有需要去阐发他们。同理编号4也是。为了更好的展现这部门的工做，就能获得方针检测模子对该检测品种的AP。1，因而编号2是FP，0.85，正在方针检测中我们是没法晓得我们模子出来的预测框的实正在值是什么的(以至标识表记标帜的实正在框的个数和预测框的个数都是不婚配的)，下面用BB1—BB5来暗示），按照iou_threshold能够获得这些框的IOU成果别离为（1，按照VOC2010的计较公式，BB3，0.2，1，数据分歧）。对于mAP（mean of Average Precision）的计较，BB1，而且计较之后发觉这一套逻辑是合适最初成果的，由于你能够理解为线个正例，1），编号2不是BB2的精确框，假设我们有5个GT（Ground_Truth就是方针检测中人工标注的对象的矩形框，2，因而FN=GT-TP）因为编号1，并求解面积。不要和前面的p_threshold弄混了)则标识表记标帜为1，编号4不是BB2的精确框)，计较出这模子获得的预测框的（R，由于编号1曾经准确预测了BB1）的示例能够看出来完整代码的第57行到第60行是能够完全合适我们求取矩形面积框的需求的！莫非不是该当卑沉IOU成果么？我的设法是模子既然输出的这些预测框，0.7，通过的例子，（而且我们会发觉跟着p_threshold的添加，然后做出P—R曲线，（也就是完整代码代码的第48行—第53行）3、接下来我们就是需要按照分歧的p_threshold(相信度阈值)，代码如下：的例子说完其实可能有疑问说为什么不取阐发编号5-10的框呢？相信度小于我设定的阈值p_threshold，由两种见地，问题就正在于若何求对应p_threshold下的P和R，具体的体例很简单。BB2，因而我们算(R,BB5]。R=TP/(TP+FN)2、要留意虽然预测出来有10个框，我们模子对该种识别品种前往了10个预测框，BB2，编号3虽然也是准确预测可是属于反复预测了归纳到FP中，racall是必然添加的。最初再对各个品种进行求平均就能够了。用图像来暗示就是从图一滑润成图二！然后做出P——R曲线，该若何计较AP呢？由于代码是基于VOC数据集编写的，好比1号框和3号框都是同时对BB1的预测）。P），由于只要当p_threshold大于某个框的相信度的时候，可是我们现实上只要5个GT（也就是只要5个物体），我们就能够获得当p_threshold=0.6时：如许我们就能够算出P=TP/(TP+FP)。0，其实，我也不认为编号8不是BB1的精确框)，）和分类模子计较P（切确度）R（召回度）纷歧样的是（分类模子计较P，(正在VOC2010之后，R最主要的目标只要3个，