理解IOU、precision、recall、AP、mAP的含义

一 理解IOU

IOU是由预测的包围盒与地面真相包围盒之间的重叠区域（交集），除以它们之间的联合区域（并集），其中P代表预测框，gt代表真值框：

二理解precision（查准率）、recall（查全率）

首先precision、recall是针对所有图片内的某一类来说的。接下来举个例子。
例如，使用训练好的模型得到所有测试样本的confidence score，每一类（如car）的confidence score保存到一个文件中。假设某一类有20个测试样本，每个的id，confidence score和ground truth label如下，右图是对confidence score排过序之后的：​​

上图比较直观，整个方框代表了整个数据集，对应例子中的20，然后我们选出置信度比较高的进行统计，用于测评模型的好坏，对应例子中的5。也就是说，圆圈内（true positives + false positives）是对应的就是top-5的结果，在这个例子中，true positives就是指第4和第2张图片，false positives就是指第13，19，6张图片。方框内圆圈外的元素（false negatives和true negatives）是相对于方框内的元素而言，在这个例子中，是指confidence score排在top-5之外的元素，false negatives是指第9，16，7，20张图片，true negatives是指第1,18,5,15,10,17,12,14,8,11,3张图片。

那么，这个例子中Precision=2/5=40%，意思是对于car这一类别，我们选定了5个样本，其中正确的有2个，即准确率为40%；Recall=2/6=30%，意思是在所有测试样本中，共有6个car，但是因为我们只召回了2个，所以召回率为30%。

三 理解AP(平均精度)

首先，AP也是对所有图片内的某一类来说的。
以PASCAL VOC CHALLENGE为基准，AP以2010年为界，前后有两种算法，现在书留的是第二种，第一种和第二种相似，简单介绍一下。
第一种算法
首先设定一组recall阈值，[0, 0.1, 0.2, …, 1]。然后对每个recall阈值从小到大取值，同时计算当取大于该recall阈值时top-n所对应的最大precision。这样，我们就计算出了11个precision。AP即为这11个precision的平均值。这种方法英文叫做11-point interpolated average precision。
第二种算法
该方法类似，新的计算方法假设这N个样本中有M个正例，那么我们会得到M个recall值（1/M, 2/M, …, M/M）,对于每个recall值r，该recall阈值时top-n所对应的最大precision，然后对这M个precision值取平均即得到最后的AP值。

这是一张拍过序的confidence score，如图所示top20中，1,2,6,7,11,16为正样本，从上往下，当top n 变化，precision也随之线性变化，当遇到正样本时，recall才变化，遇到负样本时，recall不变，当前最大precision也不变。
相应的Precision-Recall曲线（这条曲线是单调递减的）如下

四 mAP（平均精度均值）

mAP的对象是所有类的所有图片，衡量的是学出的模型在所有类别上的好坏。计算比较简单。C为类数目