物体检测

预测框，真实框贴合评价指标 IoU

定义： 交集面积除以并集面积
通常设置阈值为0.5，IoU大于则认为预测框是有效预测

python 代码实现

def IoU(boxA, boxB):
    #计算重合框顶点坐标,图片左上角为坐标原点
    left_max = max(boxA[0], boxB[0])
    right_min = min(boxA[2], boxB[2])
    top_max = max(boxA[1], boxB[1])
    bottom_min = min(boxA[3], boxB[3])
    #计算交集面积
    inter = max(0, (right_min-left_max))*max(0, (bottom_min-top_max))
    #计算并集面积
    Sa = (boxA[2]-boxA[0])*(boxA[3]-boxA[1])
    Sb = (boxB[2]-boxB[0])*(boxB[3]-boxB[1])
    union = Sa+Sb-inter
    #计算IoU
    return inter/union
    
print(IoU([0,0,5,5],[3,3,6,6]))

物体检测名词

1. mAP：AP指一个类别的检测精度，m代表各个类别的平均值
2. Dets：预测值包括物体类别，得分，边框位置的四个预测值
3. GTs：标签值包括物体类别，边框位置的四个真值
4. TP：正确检测框
5. FP：误检框，将背景检测为物体
6. FN：漏检框，框内本需要检测出的物体未检出
7. TN：正确背景框，正确检测出背景

AP的计算过程：

1. 将所有预测框的得分从高到低排序，然后按序遍历
2. 对于遍历过程中的某一个预测框，计算其与测试图中同类别的所有变迁框的IoU（一张测试图可能有多个相同的检测目标），并选取IoU最大的目标作为当前预测框的匹配对象。
3. 如果IoU小于阈值则将当前预测框作为误检框，如果IoU大于阈值则要看对应的标签框是否有更高得分的预测框与其对应，若有则将低分预测框作为FP（将背景检测未物体），若无则作为TP（正确检测）
4. 遍历完所有预测框之后可以得到所有预测框的属性，然后通过TP（正确检测）的数量来计算模型的召回率，即被检测出的标签和总标签数的比值。
5. 同时计算遍历过的预测框中，正确预测边框和预测框的比值，记为正确率。

召回率和准确率的图像如下

召回率和准确率很难兼得，所以定义评价指标AP为曲线与坐标轴围成区域的总面积，这样就不会对其中一个变量有所偏好。最后如果是检测多个物体就需要求每个检测类别的AP的平均值作为评价指标