目标检测-评估标准

常用： 平均精度均值 mAP，交并比 IoU,非极大值抑制 NMS, 每秒帧频FPS(每秒处理的图片数量）

1 AP:代表平均精度，是PR 曲线下的面积，分类器分类效果越好，AP 越大。

mAP:多类别的AP 的平均值，mean 代表对每个类别下得到的AP 再求平均。mAP 的取值范围为[0,1],值越大越好。

mAP 涉及到的相关概念： 混淆矩阵：TP，FP，FN，TN，Precision，Recall。

F1-score 是precision和recall 的调和均值：

即 2/F1=1/Precision +1/Recall

2 交并比 IoU

表示产生的候选框与真实标记框的重叠度，即二者的交集和并集的比值，IoU 越高，二者的相关度越高，最理想的情况下是候选框与真实标记框完全重合， 即IoU=1

3 非极大值抑制 NMS (Non-Maximum Suppression)

NMS 是目标检测框架中的后处理模块，主要用于删除高度冗余的bounding box。

NMS的算法基本步骤:

（1） 将所有检出的output_bbox 按cls score 划分（如 pascal voc 分20个类，也即将output_bbox 按照其对应的cls score 划分为21个集合，1个bg 类，只不过 bg 类 就没必要做NMS 而已）

cls_score： 分类层

（2）遍历每个集合，对每个集合单独 进行如下计算：

2.1 在每个集合内根据各个bbox 的cls score 做降序排序，得到一个降序的list_k。

2.2 从list_k 中第一个元素t0 开始，计算该元素与list_k中其他的元素ti 之间的  IoU，若IoU大于阈值，则剔除元素ti,否则，暂时保留ti

2.3 选择list_k 中的第二个元素ti,中被保留下的元素，重复进行2.2 操作，直至所有元素都完成筛选。

2.4 最后对每个几个list_k，对每个集合的list_k，重复2.2，2.3 中的迭代操作，直至所有list_k 都完成筛选。

4 每秒帧频FPS

每秒可以处理的图片数量。