目标检测中常见指标

首先给出一幅图：

图中绿色部分为人工标注的Ground Truth边界框，红色部分为模型预测的Bounding Box边界框（下边的图像中的红绿框也是这个意思）。

那么自然就会存在一个问题： 目标检测怎样才算正确？   

下面开始介绍上面的问题所涉及到的概念：

IoU：

IoU （Intersection over Union）即交并比，如图：

TP：

TP（True Positive）：IoU > 0.5（并不一定是0.5，根据情况设定） 的边界框数量（同一Ground Truth只计算一次） ；

FP：

FP（False Positive）：IoU 0.5， 则准确率为为1，但是能说这个检测算法好么？ 显然不可以，因为他把 我的 另外两台车漏检了。

AP：   P-R曲线下面积

P-R曲线：      Precision-Recall曲线

mAP：    mean Average Precision, 即各类别AP的平均值

下面这部分转载知乎作者AICV对AP相关知识的介绍，个人认为讲的很清楚了：

假设我们有 7 张图片（Images1-Image7），这些图片有 15 个目标（绿色的框，GT 的数量，上文提及的 all ground truths）以及 24 个预测边框（红色的框，A-Y 编号表示，并且有一个置信度值）

根据上图以及说明，我们可以列出以下表格，其中 Images 代表图片的编号，Detections 代表预测边框的编号，Confidences 代表预测边框的置信度，TP or FP 代表预测的边框是标记为 TP 还是 FP（认为预测边框与 GT 的 IOU 值大于等于 0.3 就标记为 TP；若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.3 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP），这里的 0.3 是随机取的一个值。

通过上表，我们可以绘制出 P-R 曲线（因为 AP 就是 P-R 曲线下面的面积），但是在此之前我们需要计算出 P-R 曲线上各个点的坐标，根据置信度从大到小排序所有的预测框，然后就可以计算 Precision 和 Recall 的值，见下表。（需要记住一个叫累加的概念，就是下图的 ACC TP 和 ACC FP）

然后就可以绘制出 P-R 曲线

得到 P-R 曲线就可以计算 AP（P-R 曲线下的面积），要计算 P-R 下方的面积，一般使用的是插值的方法，取 11 个点 [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1] 的插值所得

得到一个类别的 AP 结果如下：

要计算 mAP，就把所有类别的 AP 计算出来，然后求取平均即可。

最后写一下COCO的评价指标

注意这里的AP就是mAP，但不是类别平均那个mAP，而是不同评价标准下的mAP.

参考：

[1] 霹雳吧啦Wz，《目标检测mAP计算以及coco评价标准》，Bilibili.

[2]《目标检测中的mAP是什么含义？》 ， AICV的回答 ， 知乎