目标检测常见评价指标
1. 公开数据集
评价标准：pascal voc, coco,目前基本都在使用coco数据集。
2.评价指标
mAP: mean Average Precision, 即所有类别AP的平均值。下面将介绍相关参数含义。
理论知识：
TP（True Positive）:与目标框（ground truth) IoU>0.5的检测框数量 （同一个Ground Truth 只计算一次）
FP(False Positive):与目标框 IoU<=0.5的检测框（或者说是除了最终作为输出结果的框，其余所有网络输出的框）
FN（False Negative）: 没有被检测到的真实目标框（ground_truth）的数量
Precision(查准率): TP/(TP + FP)即：所有预测正确的框，与所有预测出来的框（网络最终输出的全部预测框）的比例
Recall(召回率/查全率)：TP/(TP + FN) 即：所有预测正确的框，与所有真实框（ground truth）的比例
P-R曲线：Precision-Recall 曲线，一般来说Precision和Recall一个变大，另一个就会变小，我们以Recall为横坐标，Precision为纵坐标做图如下：
AP: P,和R单独出现时均不能完整的表征网络的预测效果， 我们希望的是P和R同时为较大的值，也就是希望PR曲线与坐标轴围成的面积更大。由此得到AP的概念，即PR曲线与坐标轴围成的面积.😛
一个类AP计算方法：
-
将一张图片中预测到的框，按照confidence由大到小排序：
-
依次选择前一个，前两个，前三个…(依次减小confidence阈值，没有达到阈值的框认为是没有检测到物体的,当作FN)去计算Precision和Recall。例如我们把confidence限定为
0.89,通过表格我们可以发现仅有两个框可以认定为TP, 无FP, 一共检测到7个框，所以剩下的五个均为FN。即Precision=2/(2+0)=1.0;Recall=2/(2+5)=0.28
-
画PR曲线，计算曲线下方面积：
计算面积时需要先去掉Recall重复的部分（因为要以Recall为x轴）。得到下一步的表格后，AP也可通过公式计算如下，*（第n项Recall – 第n-1项Recall）从n项起往下的最大Precision（n=1时n-1项Recall取0）
由此得到各类的AP值，取平均即可以得到mAP。
3. COCO评价指标
COCO较为主要的评价指标为第一项，其含义为在IoU=0.5~0.95间隔0.05， 一共10个IoU阈值下各类AP的均值，再求10个mAP的均值。
其他各项评价指标需要根据数据集和实际应用场景判断，用哪个取主要评价模型的好坏。例如当模型主要检测小物体时，就表示针对小面积的目标检测，含义为
的物体检测结果的mAP.
Average Recall
: 每张图片最多10个预测边界框时，其相应的Recall值。
Across Recall
不同目标尺度AR的值。
4. 扩展
4.1 在分类任务中recall和precision指标
在分类任务中recall（查全率）表示所有预测正确的正样本占实际正样本的比例。precision（查准率）表示所有预测正确的正样本占所有预测出的正样本的比例。我们以一个二分类的输出pred和target为例：
pred = [0, 1, 0, 1, 0]
target = [0, 1, 1, 1, 0]
### metrics
recall = 2 / 3
precision = 2 / 2
文章出处登录后可见！
