目标检测评价指标（含 mAP、F-measure、FPS）

写在前面的话

无论是目标检索、分类、还是检测，都有其自身的一套评价指标体系。可能其中很多概念很类似，比如精确度、召回率。但其实内涵还是有些不一样的。身为一个已经搞了一年图像目标检测的后进者，直到现在才发现，之前我以为轻松搞懂的评价标准，其实是错误的。今天特就自己翻阅的资料做一个汇总，不敢保证对，但至少修正了一部分自以为是的思想。

在网上之前看到的很多打着目标检测评价指标的博文，其实只是对分类做的评价。而检测的实质是分类+定位。所以没有牵扯到 IoU 概念的统统都是耍流氓~

好了闲话少叙，我们言归正传…

-----------------------------------------------------------------------------------------------------------------------------------------

1 目标检测一些基本概念

这部分包含但不限于

1. 什么是 目标检测？
2. 什么是 Ground Truth？
3. 什么是 IoU？
4. 精确度 Precision 和召回率 Recall 的絮絮叨叨概念，不想看的可以直接跳到 2 mAP 那里

可以参考 目标检测的评估指标mAP的那些事儿 中的相关部分。

2 mAP

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曲线下的面积，综合考量了 recall 和 precision 的影响，反映了模型对某个类别识别的好坏。
mAP: mean Average Precision, 即各类别AP的平均值，衡量的是在所有类别上的平均好坏程度。

-----------------------------------------------------------------------------------------------------------------------------------------

在目标检测中，mAP的定义首先出现在PASCAL Visual Objects Classes(VOC)竞赛中，这个大赛包含许多图像处理任务。

我们要注意，在计算Precision和Recall，至少有两个变量会影响 Precision 和 Recall，即 IoU 和