目标检测算法中，COCO评价指标的解析

与图像分类的评价指标有所不同，图像分类是在所有的图像中分类正确和错误的概率。而目标检测显然不能这样来，那怎样才算检测正确?
1.loU大于指定阈值?

2.类别正确?

3.confidence大于指定阈值?

其实这三点在COCO评价指标当中都会运用到。

TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次）
FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量
FN: 没有检测到的GT的数量
Precision: TP / (TP + FP)
Recall: TP / (TP + FN)
PR曲线: Precision-Recall曲线
AP: PR曲线下面积

AR(average recall): 即平均召回率，是 IoU在[0.5,1.0] 上所有recall的平均，对于不同的iou取最大召回率再求平均值。

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

 上图就是对应一张图像输入网络后经过NMS后输出目标框的precision和recall的计算，

GT ID代表图像中目标框对应GT box的ID，为1就说明该目标框对应1号GTbox。

confidence是目标框的置信度，按照降序排列

OB（IOU=0.5）表示当目标框与GTbox的IOU大于0.5时就为Ture，小于0.5就为False。

rank表示规定的confidence的范围序列，rank=1就表示规定confidence大于0.98时求precision和recall。

TP为在rank的条件下，OB=Ture的个数

FP为在rank的条件下，OB=False的个数

FN为不在rank条件下的个数加上OB=False的个数

 上图最后算出的结果就为PR曲线的面积，也就是AP

 上图中

AP为IOU从0.5开始，每次增加0.05直到0.95，一共有十个IOU值，求出每一个IOU的AP，然后求平均得到。

AP（IOU=0.5）为IOU=0.5时的AP。AP（IOU=0.75）同理。

APsmall为当GTbox的面积小于32^2时的AP，APmedium和APlarge同理。

AR（max=100）表示NMS后目标框数量最大为100时的AR，其他同理。

AR（small）表示当GTbox的面积小于32^2时的AR。