目标检测评估指标

1.5评估指标

评估指标是评价目标检测算法方法好坏的重要依据，目标检测有：IoU（交并比）、Precision（精确度）、Recall（召回率）、AP（平均正确率）、mAP（平均类别AP）等多种评价指标。

1.IoU

IoU：用来评价目标检测算法的对象定位精度，IoU是目标检测的预测框和标签框之间的重叠面积与它们面积并集的比值，数值越大，说明目标检测算法定位越准确。在实际过程中一般会设定一个IoU阈值（比如：0.5），如果大于等于0.5，对象将被识别为“成功检测”，否则将被识别为“错误”。IoU = 两个矩形框相交的面积 / 两个矩形框相并的面积，如下图所示：

2.Precision

Precision：精确度指目标检测模型判断该图片为正类，该图片确实是正类的概率。在这里需要明白什么是正类，如表二所示：

正类就是positive,拿掷硬币来举例，正面就是正类，反面就是负类，抛硬币猜正反，如果猜是正面，抛出来确实是正面，就称为真正例；如果猜是正面，如果抛出来是反面，就称为假正例，假负例道理一样。
精确度衡量的是一个分类器预测出的真正例的概率，计算公式如下图：

3.Recall

Recall：召回率是指分类器判为正类且真实类别也是正类的图像数量/真实类别是正类的图像数量，衡量的是一个分类器能把所有的正类都找出来的能力，计算公式为：

4.AP

AP：平均正确率就是得出每个类的检测好坏的结果，含义和计算过程如下：
假设输入图像中有两个类别：person和dog，目标检测的预测框中预测类别为person的框有5个，预测类别是dog的框有3个。
以类别person为例，先对这5个预测框按照置信度进行降序排序，然后计算5个预测框IoU的值。
如果IoU大于阈值（常设为0.5），那就说明这个预测框是对的，这个框就是TP；如果IoU小于阈值，那就说明这个预测框是错的，此时这个框就是FP。注意：如果这5个预测框中有2个预测框和同一个person真实框的IoU大于阈值，那么只有IOU最大的那个预测框才是TP，另一个算是FP。
假设图像的真实框类别中不包含预测框类别，那么也算该预测框预测错了，为FP
计算它们的Precision（精确度）、Recall（召回率），画出PR曲线，PR曲线下面积就是AP。

6.mAP

mAP：平均类别AP，mean Average Precision, 即各类别AP的平均值，计算出所有类别的AP后除以类别总数，就是mAP。