检测精度AP的计算

╰+攻爆jí腚メ 2022-11-25 04:13 154阅读 0赞

贴合程度的量化计算方法IoU为：预测框架与真实框架的交集比预测框架与真是框架的并集。  
具体算法实现：

def iou(boxA, boxB):    
    # 计算重合部分的上、下、左、右4个边的值，注意最大最小函数的使用 
       left_max = max(boxA[0], boxB[0])
       top_max = max(boxA[1], boxB[1])
       right_min = min(boxA[2], boxB[2])
       bottom_min = min(boxA[3], boxB[3]) 
          # 计算重合部分的面积    
       inter =max(0，(right_min-left_max))* max(0，(bottom_min-top_max)    
      Sa = (boxA[2]-boxA[0])*(boxA[3]-boxA[1])    Sb = (boxB[2]-boxB[0])*(boxB[3]-boxB[1])
          # 计算所有区域的面积并计算iou，如果是Python 2，则要增加浮点化操作    
       union = Sa+Sb-inter   
       iou = inter/union    
       return iou

由于图像中存在背景与物体两种标签，预测框也分为正确与错误， 因此在评测时会产生以下4种样本。

·正确检测框TP（True Positive）：预测框正确地与标签框匹配了， 两者间的IoU大于0.5，如图1.13中右下方的检测框。  
·误检框FP（False Positive）：将背景预测成了物体，如图1.13中左 下方的检测框，通常这种框与图中所有标签的IoU都不会超过0.5。  
·漏检框FN（False Negative）：本来需要模型检测出的物体，模型 没有检测出，如图1.13中左上方的杯子。  
·正确背景（True Negative）：本身是背景，模型也没有检测出来， 这种情况在物体检测中通常不需要考虑。

·预测值（Dets）：物体类别、边框位置的4个预测值、该物体的得  
分。  
·标签值（GTs）：物体类别、边框位置的4个真值。

流程图实现：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70]

for c in classes:
        dects=det_boxes[c]
        gt_classs = gt_boxes[c]
        npos = num_pos[c]#得分
        dects = sorted(dects,key=lambda conf:conf[5],reverse=True)
        #conf:conf[5]表示按照第五个元素排序，reverse=True表示从大到小
        TP=np.zeros(len(dects))
        FP=np.zeros(len(dects))
        for d in range(len(dects)):
            #将IOU初始值设为最低
            iouMax=sys.float_info.min
            #遍历与预测框同意图像的同一类别的标签，计算iou
            if dects[d][-1] in gt_class:
                for j in range(len(gt_class[dects[d][-1])):
                    iou = Evaluator.iou(dects[d][:4],gt_class[dects[d][-1]][j][:4])
                      if iou > iouMax:
                          iouMax = iou
                          jmax = j
                          #记录与预测有最大IoU的标签
                          #如果最大IoU大于阈值，并且没有被匹配iguo，则赋予TP
                          if iouMax >= cfg['iouThreshold']:
                                if gt_class[dects[d][-1]][jmax][4] == 0:
                                    TP[d] = 1
                                    gt_class[dects[d][-1][jmax][4]] = 1#标记匹配
                                else:
                                    FP[d] = 1
                            else:
                                 FP[d] = 1
            else:
                FP[d] = 1
    
        acc_FP = np.cumsum(FP)
        acc_TP = np.cumsum(TP)
        rec = acc_TP / npos #得到每个点的Recall
        prec = np.divide(acc_TP, (acc_FP + acc_TP)) # 得到每个点的Precision
        [ap, mpre, mrec, ii] = Evaluator.CalculateAveragePrecision(rec, prec)
        # 利用Recall与Precision进一步计算得到AP

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70]: /images/20221124/8fc6cfa2e7fa4aa7973f1985000f0d61.png