yolov5中ap_per_class函数

参数解释

先对以下4个主要输入参数进行解释

tp：一个shape为（n， 10）的的数组，其中n是测试集检测出的所有物体总和，10表示的是该物体在（0.5，0.05，0.95）这 10个IOU阈值上的匹配结果，值为true或false，true表示在该iou阈值下，这个检测框检测到了物体且类别正确，可以作为true positive样本

conf：上述每个检测框的类别置信度

pred_cls：上述每个检测框的类别标签

target_cls：该测试集实际包含的物体类别列表，该参数提供两个信息：1、测试集包含哪些类别（用来按类统计map）；2、一共有多少标注物体（用来计算recall）

关键输出项

该函数计算了三个核心输出项

recall：每类计算一个recall，每类recall的形状（nc，10），nc为上文检测框体中该类物体的个数，10还是对应10个iou阈值

precision：同recall

py：所有类的precision数值，形状为（cn，1000），cn表示类别个数，比如只检测人和车两个类，那么cn为2，1000表示每类有1000个precision，分别对应（0.001，0.001，1）这1000个recall

计算原理

1、将conf降序排列，同时将pred_cls和tp也按对应次序重排

    i = np.argsort(-conf)
    tp, conf, pred_cls = tp[i], conf[i], pred_cls[i]

2、将tp累加，然后计算recall和precision，因为tp是按conf降序排列的，所以recall和precision也是按conf降序排列的，所以precison和recall可以看作conf的函数，当我们要计算比如conf阈值为0.2时的p和r时，只需要进行插值即可

这里先将conf阈值用很低的值（比如0.0001）计算出大量的box，然后对这些box进行conf降序排列，并对每个conf计算大于该conf的所有box的p和r

px, py = np.linspace(0, 1, 1000), []

fpc = (1 - tp[i]).cumsum(0)
tpc = tp[i].cumsum(0)

recall = tpc / (n_gt + 1e-16)
precision = tpc / (tpc + fpc)

py.append(np.interp(px, recall[:, 0], precision[:, 0]))