本文共 868 字，大约阅读时间需要 2 分钟。

作者：nowgood

目标检测中衡量识别精度的指标是mAP（mean average precision）。多个类别物体检测中，每一个类别都可以根据recall和precision绘制一条曲线，AP就是该曲线下的面积，mAP是多个类别AP的平均值

然后重点计算某一个类别的 AP 了, 也就是如何画 P-R 曲线, 就目标检测而言, 可能大家困惑的点在于 TP, FP 如何计算, 下面以猫咪这一类为例说明

2. 基础概念

召回率(Recall)是从数据集的同一类的样本抽样, 而Precision是从已经预测为同一类别的样本抽样

Precision

查准率(Precision)是针对预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。

所有预测为猫咪类的框

Recall

召回率(Recall, 又称为 TPR)是针对原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。

样本中猫咪的所有真实框, 这个容易知道

3. 重点是 如何定义呢?

在所有预测为猫咪类的框中, 具有怎么样的特征的框才是 TP 和 FP 呢?

计算流程

1. 猫咪类别的Prediction下，对于某一确定 score threshold

• 将 Prediction 按照 score 排序
• score 大于 score threshold 的 Prediction 的定义为 Positive

2. 猫咪类别的Positive Prediction下，对于某一确定 IOU threshold,

• 与猫咪类别的GT的 IOU 大于 threshold 的 Prediction 标记为 True Positive(TP)
• 与猫咪类别的GT的 IOU 小于 threshold 的 Prediction 标记为 False Positive(FP)