19

我开始使用cocoapi来评估使用Object Detection API训练的模型。在阅读了各种解释平均精度 (mAP) 和召回率的资料后，我对 cocoapi 中使用的“最大检测数”参数感到困惑。

据我了解（例如，此处、此处或此处），通过计算各种模型分数阈值的精度和召回率来计算 mAP。这给出了精确召回曲线，mAP 被计算为该曲线下面积的近似值。或者，以不同的方式表示，作为定义的召回范围 (0:0.1:1) 中最大精度的平均值。

然而，cocoapi 似乎计算了给定数量的最大检测（maxDet）的精度和召回率，得分最高。从那里得到精确召回曲线maxDets = 1, 10, 100。为什么这是一个很好的指标，因为它显然与上述方法不同（它可能不包括数据点）？

在我的示例中，每张图像有大约 3000 个对象。使用 cocoapi 评估结果会产生可怕的召回率，因为它将检测到的对象的数量限制为 100。

出于测试目的，我将评估数据集作为基本事实和检测到的对象（带有一些人工分数）提供。我希望精确度和召回率非常好，这实际上正在发生。但是一旦我输入超过 100 个对象，精度和召回率就会随着“检测到的对象”数量的增加而下降。尽管他们都是“正确的”！这有什么意义？

4

2 回答 2

9

您可以更改maxDets参数并定义新的summarize()实例方法。

让我们创建一个COCOeval对象：

cocoEval = COCOeval(cocoGt,cocoDt,annType)
cocoEval.params.maxDets = [200]
cocoEval.params.imgIds  = imgIdsDt
cocoEval.evaluate()
cocoEval.accumulate()
cocoEval.summarize_2() # instead of calling cocoEval.summarize()

现在，通过以下方式summarize_2()在模块中定义方法：cocoeval.py

def summarize_2(self):
    # Copy everything from `summarize` method here except
    # the function `_summarizeDets()`.
    def _summarizeDets():
        stats = np.zeros((12,))
        stats[0] = _summarize(1, maxDets=self.params.maxDets[0])
        stats[1] = _summarize(1, iouThr=.5, maxDets=self.params.maxDets[0])
        stats[2] = _summarize(1, iouThr=.75, maxDets=self.params.maxDets[0])
        stats[3] = _summarize(1, areaRng='small', maxDets=self.params.maxDets[0])
        stats[4] = _summarize(1, areaRng='medium', maxDets=self.params.maxDets[0])
        stats[5] = _summarize(1, areaRng='large', maxDets=self.params.maxDets[0])
        stats[6] = _summarize(0, maxDets=self.params.maxDets[0])
        stats[9] = _summarize(0, areaRng='small', maxDets=self.params.maxDets[0])
        stats[10] = _summarize(0, areaRng='medium', maxDets=self.params.maxDets[0])
        stats[11] = _summarize(0, areaRng='large', maxDets=self.params.maxDets[0])
        return stats
    # Copy other things which are left from `summarize()` here.

如果您在数据集上运行上述方法，您将获得类似于以下内容的输出：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=200 ] = 0.507
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=200 ] = 0.699
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=200 ] = 0.575
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=200 ] = 0.586
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=200 ] = 0.519
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=200 ] = 0.501
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=200 ] = 0.598
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=200 ] = 0.640
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=200 ] = 0.566
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=200 ] = 0.564
于 2019-05-14T07:15:56.780 回答
7

我得出的结论是，这正是 cocoapi 定义其指标的方式。这在他们的上下文中可能是有道理的，但我也可以根据我在上面阅读和链接的文章定义我自己的（这就是我所做的）。

于 2018-11-02T15:02:52.040 回答