指标说明

English | 简体中文

mAP(mean Averaged Precision，全类平均精度):在机器学习中的目标检测领域，mAP是十分重要的衡量指标，用于衡量目标检测算法的性能。一般而言，mAP是将所有类别检测的平均正确率（AP）进行综合加权平均而得到的。 mAP一般存在多种计算方式，YMIR提供的单点计算方式，含义为指定IOU阈值（检测框与groundtruth的iou大于该阈值时认为是正样本）下的mAP。YMIR提供的插值计算（目标检测算法的常用评价标准，即COCO数据集上的衡量标准）是多个IOU阈值的平均mAP，含义为IOU阈值从0.5到0.95逐步递增0.05时共10个IOU阈值下的mAP的平均值，该评价标准相对来说更为全面。

PRcurve：在机器学习的二分类问题中，以逻辑回归为例，模型首先输出的是当前样本属于正类别的概率值，然后再根据一个指定的阈值来判定其是否为正类，并且通常情况下该阈值默认为0.5。但是，我们依旧可以根据实际情况来调整这一阈值从而获得更好的模型预测结果。由此，便可以根据阈值的变化来计算得到不同阈值下的精确率和召回率并绘制成一条曲线，而这条曲线就被称为Precision-Recall Curve（PR Curve）。通过PR曲线，我们便可以清楚地观测到精确率与召回率的变化情况，以此来选择一个合理的阈值。 总的来说，随着召回率的增大，那么精确率整体上可能会呈下降趋势。因此，PRcurve很好的展示了在不同阈值取值下精确率和召回率的平衡情况。同时，最理想的情况是随着召回率的提升，精确率也逐步保持提升或保持不变。

P@R：PRcurve上指定召回率对应的精确率，在PRcurve上表现为具体的点，一般统计召回率从设置范围内逐步递增5%的所有值。

R@P：PRcurve上指定精确率对应的召回率，在PRcurve上表现为具体的点，一般统计精确率从设置范围内逐步递增5%的所有值。