目标检测模型性能指标计算

一、指标

True Positive,TP ：预测为正样本（Positive），实际为正样本，则True，预测正确。
True Negative,TN ：预测为负样本（Negative），实际为负样本，则True，预测正确。
False Positive,FP ：预测为正样本（Positive），实际为负样本，则False，预测错误。
False Negative,FN ：预测为负样本（Negative），实际为正样本，则False，预测错误。

mAP: mean Average Precision, 即各类别AP的平均值
AP: PR曲线下面积
PR曲线: Precision-Recall曲线
Precision: TP / (TP + FP)
Recall: TP / (TP + FN)
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

注意：（1）一般来说mAP针对整个数据集而言的；AP针对数据集中某一个类别而言的；而percision和recall针对单张图片某一类别的。

1.1、单个类别评价指标

误检率：f_r = fp/(fp+tn)
精确率（precision）：p_r= tp/(tp+fp)
召回率：r_rate= tp/(tp+fn)
漏检率：fn/(fn+tp)

AP（average precision） P-R曲线下的面积

1.2、多个类别评价指标

mAP （mean average precision） 多个类别AP的平均值

二、代码：

https://github.com/rafaelpadilla/Object-Detection-Metrics#references

使用步骤

把真值和预测值都写成如下图规范模式

真值格式

<class_name> <left> <top> <width> <height>

检测格式

<class_name> <confidence> <left> <top> <width> <height>

运行

python pascalvoc.py -t 0.3

-t后面参数代表IOU阈值。
阈值：根据指标，通常设置为 50%、75% 或 95%。

结果

参考：
https://blog.csdn.net/flyfish1986/article/details/89001834

https://blog.csdn.net/flyfish1986/article/details/117741939

https://zhuanlan.zhihu.com/p/70306015