谨以本文记录深度学习入门过程中学习的目标检测常见指标，如有错误还请朋友不吝指教！
目标检测评价指标——mAP
如上图所示，绿颜色的为GT Box，红颜色的Predict Box。如果要正确检测出图中的猫和狗，那怎么才能算是正确的检测呢?下边的这三个标准是都需要看的：
- GT与预测框的IoU是否大于阈值？
- 预测的类别是否正确？
- 置信度是否大于阈值？
交并比（IoU，Intersection over Union）
IoU的作用是评价两个矩形框之间的相似性，在目标检测中是度量两个检测框的交叠程度。计算公式如下：
\[IOU=\frac{area(B_{gt}\cap B_{p})}{area(B_{gt} \cup B_p)}\]
其中\(B_{gt}\)表示GT Box，\(B_p\)表示Predict Box。
查准率和查全率
什么是TP、TN、FP、FN？
- TP：True Positive
- TN：True Negative
- FP：False Positive
- FN：False Negative
TP、TN、FP和FN的对应解释如上所述，其中的Positive和Negative表示模型对样本预测的结果是正样本还是负样本。True和False表示预测的结果和真实结果是否相同。例如：True Positive就是模型预测样本为正样本，该结果与实际结果相同，该样本实际上本来就是标签为正的样本。
如果假设IoU阈值为0.5的话，那在目标检测中：
- TP：表示\(IoU>0.5\)的检测框的数量，也就是检测正确的数量。
- FP：表示\(IoU \le 0.5\)的检测框数量（或者是检测到同一GT的多余的检测框的数量），属于误检一类了。
- FN：表示没有检测到的GT数量，即漏检的数量。
查准率（Precision）
被预测为正样本的检测框中预测正确的占比：
\[Precision=\frac{TP}{TP+FP}=\frac{TP}{all \ detections}\]
如上图所示，图中GT共有5只猫待检测，但实际上只检测出来了一只，而且这个检测是正确的。那这种情况下的查全率就是：
\[Precision=\frac{1}{1}=100\%\]
查全率（Recall）
被正确检测出来的真实框占所有真实框的比例：
\[Recall=\frac{TP}{TP+FN}=\frac{TP}{all \ ground \ truths}\]
同样是上边有5个待检测的GT，这次得到了50个预测框，其中5个全部预测正确，这种情况下TP=5，漏检FN=0最终的查全率为：
\[Recall=\frac{5}{5+0}=100\%\]
AP和mAP
AP 是计算某一类 P-R 曲线下的面积，mAP 则是计算所有类别 P-R 曲线下面积的平均值。其中P是查准率Precision，R是查全率Recall。
下面以3张图片为例，说明AP和mAP的计算过程：
在所有的图片中（当前只有上图一张），待检测的目标的数量\(num_{ob}=2\)，上图中的检测情况如下表所示：
GT id | Confidence | OB（IoU=0.5） |
1 | 0.98 | True |
1 | 0.61 | False |
该表中的顺序是按Confidence从高到低排序的，对于一个GT来说，只能有一个检测框为正确的检测。
加入第二张图片，此时待检测的目标数量\(num_{ob}=3\)，检测情况如下表所示
GT id | Confidence | OB（IoU=0.5） |
1 | 0.98 | True |
3 | 0.89 | True |
3 | 0.66 | False |
1 | 0.61 | False |
加入第三张图片，加上前两张中的待检测目标，共有 \(num_{ob}=7\) 个目标需要检测，检测情况如下表所示：
GT id | Confidence | OB（IoU=0.5） |
1 | 0.98 | True |
3 | 0.89 | True |
6 | 0.88 | True |
7 | 0.78 | True |
3 | 0.66 | False |
1 | 0.61 | False |
4 | 0.52 | True |
依次取Confidence的阈值为[0.98, 0.89, 0.88, 0.78, 0.66, 0.61, 0.52]，计算对应的查准率和查全率如下表所示：
Rank | Precision | Recall | Confidence thread |
1 | 1.0 | 0.14 | 0.98 |
2 | 1.0 | 0.28 | 0.89 |
3 | 1.0 | 0.42 | 0.88 |
4 | 1.0 | 0.57 | 0.78 |
5 | 0.80 | 0.57 | 0.66 |
6 | 0.66 | 0.57 | 0.61 |
7 | 0.71 | 0.71 | 0.52 |
以Confidence thread=0.52为例：
此时的TP=5，误检FP=2，第一张和第三张两张图片共漏检FN=2，所以
\[Precision=\frac{TP}{TP+FP}=\frac{5}{5+2}=0.71\]
\[Recall = \frac{TP}{TP+FN}=\frac{5}{5+2}=0.71\]
绘制出对应的P-R曲线图：
计算曲线下方的面积，也就是猫这一类别的AP：
\[\begin{aligned}& (0.14-0)\times 1.0+(0.28-0.14) \times1.0 + (0.42-0.28)\times 1.0+ \\ & (0.57-0.42) \times1.0 + (0.71-0.57)\times 0.71=0.6694 \end{aligned} \]
对于表格中Recall相同的，只保留Precision最高的值进行计算，最终得到猫这一类的AP=0.6694，如果要计算mAP则需要计算出其他类别的AP，并取平均值。
参考链接：
https://www.zhihu.com/question/53405779/answer/399478988
如果想看视频讲解的朋友可以移步这位up主的投稿，文中的例子也是来源于该视频：https://www.bilibili.com/video/BV1ez4y1X7g2/?spm_id_from=333.788.recommend_more_video.4
