Tensorboard图召回

Question

我正在训练一个目标探测器，我执行了评估任务。我在张板上看到了一些图表。在张流板中，什么是DetectionBoxes/AR@10 vs AR@100 vs @100(Medium)，如图所示。mAP(大型)、mAP(中型)、mAP(小)、mAP(0.50IOU)和mAP(0.75IOU)之间的区别是什么？请帮帮忙，我对此很陌生，谢谢。

Answer 1

“‘DetectionBoxes_ precision /mAP”：类的平均平均精度超过IOU阈值，从.5到.95，随.05增量不等。

“检测盒的精度/mAP@.50 IOU”：50% IOU的平均精度

“检测盒精度/mAP@.75 IOU”：75% IOU的平均精度

“‘DetectionBoxes/mAP(小)”：小对象的平均平均精度(面积< 32^2像素)。

“‘DetectionBoxes/mAP(中等)”：中等大小物体的平均平均精度(32^2像素<面积< 96^2像素)。

“‘DetectionBoxes/mAP(大)”：大型对象的平均平均精度(96^2像素<面积< 10000^2像素)。

‘detection _ recall /AR@1’：平均召回1次检测。

“detections _ recall /AR@ 10”：平均召回量为10次。

“detections _ recall /AR@ 100”：平均召回100次检测。

“'DetectionBoxes_ recall /AR@100 ( small )”：对带有100的小型对象的平均召回。

“'DetectionBoxes_ recall /AR@100 ( medium )”：对具有100的中型对象的平均召回。

“detections _ recall /AR@ 100 (大型)”：对具有100个检测值的大型对象的平均召回。

Answer 2

正如@kmh所指出的，这里可以找到一个简短(但不是很好)的解释。实际的数学定义可以在代码这里中找到。

mAP =平均精度mAR =平均平均查全率

当他们说平均值时，除非另有规定，它们意味着他们正在计算所有示例(即图像)、类和IOU阈值(它们在.50:.05:.95范围内，即0.5、0.55、.、0.90、0.95)。

所以，关于这12个指标：

精度(mAP)

• DetectionBoxes_Precision/mAP：如前所述，它意味着计算所有图像、类和IOU阈值的精度，然后取平均值。
• DetectionBoxes_Precision/mAP@.50IOU：在这里指定IOU，因此在本例中它不会超过所有IOU阈值，只有指定的一个。这个度量标准是仅使用IOU=0.5的平均精度(但仍然要检查所有的图像和类)。这个度量的思想是给你一个粗略的精确感，如果你对你的包围盒的位置不是非常严格(你只需要至少IOU=0.5计算为正)。
• DetectionBoxes_Precision/mAP@.75IOU：和上面一样，但是使用IOU=0.75而不是IOU=0.5。这个度量的思想是给你一个粗略的精确感，如果你对你的包围盒的位置有严格的要求(你至少需要IOU=0.75才算为正数)。
• DetectionBoxes_/ mAP (小、中、大)--本质上与上面的mAP相同，但按包围框的大小进行切片。小的只计算小的包围框(面积< 32*32像素)的mAP。介质适用于32*32 <面积< 96*96的边框。Large表示area > 96*96 (实际上，大型的实现是96*96 < area < 1e5*1e5)。如果您的模型在特定大小的包围框中表现得更好或更差，这些度量允许您了解。

召回(mAR)

• DetectionBoxes_ average /AR@(1，10,100)：这些是被图像中检测到的数量切片的平均回忆。AR@1意味着它将计算所有图像的平均召回量，最多可检测1次(即0或1)、跨所有类和跨越所有IOU阈值。对于AR@ 10，它也会这样做，但在所有图像中最多检测到10次(即0 <= n <= 10)。AR@100最多可用于100次探测。
• DetectionBoxes_ average /AR@100(小、中、大)：这些是被检测到的边框大小分割的平均回忆。注意公制中的AR@100。这意味着它只接收最多100个检测到的图像(通常，这意味着大多数或所有图像)。尺寸与上面的mAP相同(即小: 0，32*32，中等: 32*32，96*96，大: 96*96，1e5*1e5)