Confusion matrix

以这种形式给出矩阵的值

			background FP
background FN

最后一列和最后一行都是以background的类别pos的prediction的FN和FP。所以最右下角是没有意义的，没有值。

• 由于最后一列是background的FP，本来不是背景的，被pred分成了背景，漏检了非背景物体
• 由于最后一行是background的FN，本来是背景的，被pred分成了不是背景，虚检了本来没有的物体。

混淆矩阵最后一行和一列是背景类。上面我们知道列是模型预测的结果，行是标签的真实结果。而FP则是表示真实为假预测为真，FN表示真实为真预测为假。可以看到最后一行即backgroundFN出现数值，表示出现了漏检；最后一列即background FP出现数值，则表示出现了虚检
来自 https://blog.csdn.net/m0_66447617/article/details/124180032,

另外可参考github上的讨论，background也被单独划分成了一个类别。
https://github.com/kaanakan/object_detection_confusion_matrix/issues/12

以上面的图为例子的话，可以看到background FN各类都比较高，虚检了很多物体；background FP- hat的相对较高，漏检了很多head类别的物体。而在非背景的类别中，可以看到对角线的值相对大，可见模型能够很好的分清楚这三类谁是谁。

F1 curve

此图能够看到什么阈值下什么类别能够达到最好的F1 score，比如绿线在0.27左右，海蓝色在0.8左右。

labels

results

剩下一些不需要解释的图

常规曲线

P-R curve
P curve
R curve

batch抽取的case study