YOLO学习笔记（一）：YOLO基本指标分析_yolo map数学公式

深度学习的经典检测方法包括：

1. two-stage（两阶段）：Faster-rcnn Mask-Rcnn系列（为了得到最终结果，中间加入预选阶段RPN，效果更好）
   核心优势：效果较好（实用的通用框架MaskRcnn）
   缺点：速度较慢（5FPS）
2. one-stage（单阶段）：YOLO系列（一个CNN网络直接做一个回归即可，中间不需加入其他映衬，无RPN等等）,在YOLO算法中把物体检测（object detection）问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率
   核心优势：速度很快，适合做实时检测任务
   缺点：效果相对较差

YOLO指标分析：

1. mAP指标（mean average precision）：均值平均精度，综合衡量检测效果（越高效果越好），精度（检测到的框和实际标注的框是否吻合）和召回率recall（是否有标注的物体没检测到，没有画框）都需要衡量。

2. IoU：真实框(ground truth)与预测框(predicted box)的交并比，指的是真实值（ground truth bbox）与预测值（prediction bbox）的交集面积占两者并集面积的一个比率，即交集和并集的比值。IoU值越大说明预测检测框的模型算法性能越好，通常在目标检测任务里将IoU>=0.7的区域设定为正例（目标），而将IoU<=0.3的区域设定为负例（背景），其余的会丢弃掉。

   

4. 精确率（查准率）precision:针对预测结果，表示预测为正的样本中有多少是真正的正样本。公式为：正确检测/（正确检测+误报）
   

5. 召回率（查全率）recall：针对原来的样本而言，表示样本中的正例有多少被预测正确了。公式为：正确检测/（正确检测+漏报）
   

注：

• TP（True Positive）：将正类预测为正类数。（正确）
• TN（True Negative）：将负类预测为负类数。（正确）
• FP（False Positive）：将负类预测为正类数。（错误）----误报（Type | Error）
• FN（False Negative）：将正类预测为负类数。（错误）----漏报（Type || Error）

例：
假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

TP: 将正类预测为正类数 40

FN: 将正类预测为负类数 20

FP: 将负类预测为正类数 10

TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
 
精确率(precision) = TP/(TP+FP) = 80%
 
召回率(recall) = TP/(TP+FN) = 2/3
1
2
3
4
5

参考：http://t.csdnimg.cn/XDbxg

重点：mAP的计算方法

1. 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，即为PR曲线，recall和precision往往是矛盾关系，AP就是该曲线下的面积，mAP一般指所有图片内的所有类别，考虑不同阈值的AP的平均值。

2. PR曲线通常横坐标为Recall值，而其纵坐标为Precision，对于同一个Recall值，我们取的是最大的Precision。如下图：条形面积为所求的mAP。
   
   

3. 根据TP，TN，FP，FN计算出recall和precision，然后根据recall和precision绘制的PR曲线去计算区域内最大的precision包围的面积，即为mAP。