分类，检测，分割中的PR曲线

混淆矩阵和指标

机器学习中简单的二分类任务的混淆矩阵：

查准率与查全率的计算：

F1的计算：

二分类任务的PR曲线

PR曲线的横坐标是P，纵坐标是R，这么多PR值是怎么得到的呢？首先定义：若某个样本预测概率值大于某个阈值则为正样本。步骤如下：
1，将模型在测试集上预测结果的概率值从大到小进行降序排列。
2，以每个概率值作为阈值，统计当前阈值下的预测正负样本数量，得到相应的TP，TN，FP，FN，计算出相应的P和R。
3，将不同阈值下的PR值连接起来，就是PR曲线。

目标检测中的PR，AP，mAP

为了方便理解，假设数据集中只有一个类要检测。首先看一下目标检测中的混淆矩阵长什么样：

目标检测中正负样本的定义是根据预测BB（Bounding Box）与真实目标框的IoU值来判定的，IoU阈值是提前人为设定的。而且对于不同网络算法或者数据集，其正负样本的划分标准不同，表中正负样本的划分只是本人自己定义的判定标准，实际情况可能有所不同。

仿照二分类任务的PR曲线可以得出目标检测中PR曲线是怎样得到的：
1，将模型在测试集上预测的所有BB按照置信度值从大到小进行降序排列。
2，以每个置信度值作为阈值，统计当前阈值下的预测正负样本数量，得到相应的TP，TN，FP，FN，计算出相应的P和R。
3，将不同阈值下的PR值连接起来，就是PR曲线。

上述步骤只是为了方便理解而对解决过程的简单描述，算法会描述的更具体。

针对多类别的目标检测，可以得到每个类别的PR曲线。

AP(Average Precision)是平均查准率的意思，是对某类物体查准率的平均。当我们获得了这类物体的PR曲线后，先进行曲线平滑，再将横坐标十等分获得11个点，取11个点的P值平均即为此类别的AP。不同数据集（例如coco和Pascal Voc）计算AP的方法可能会不同。最后将所有类别的AP值取平均以获得mAP。

语义分割中的PR

因为最近在做语义分割的实验，要计算P，R和F1，所以说下怎么计算。假设只有一个要分割的类别，由于语义分割是像素级别的分类任务，可以使用分类的混淆矩阵求解PR。

遍历预测图的所有像素位置，假设分类的阈值为0.5，那么预测值大于0.5的位置为前景，否则为背景。将所有位置的预测结果与真实分割图（真实分割图的前景为正样本，背景为负样本）对比，即可得到每个位置是TP，FP，FN或TN，即可求出P，R，F1。