物体检测的评价指标——IOU（交并比）、FP、FN、TN、mAP（mean Average Precision）与R（召回率，Recall）、P（准确率，Precision）、P-R曲线

 

目录

1.IOU(Intersection of Union，交并比）

---

对于物体检测模型输出是非结构化的，事先并无法知道输出物体的数量、位置、大小等，因此物体检测的评价算法稍微复杂些。下面我将目前公用的几乎所有评价指标都进行解释说明，部分指标附上实现代码。

1.IOU(Intersection of Union，交并比）

对于具体的某个物体，我们可以从预测框与真实框的贴合程度判断检测的质量，这个指标就是IoU(Intersection of Union，交并比），用于量化两个框的贴合程度。

IoU的计算方式如下所示，使用两个边框的交集与并集 的比值，即可得到交并比。

其中，A为真实框，B为预测框，公式如下，IoU的取值区间为[0,1]，IoU值越大，表明两个框重合越好。

下面为Python代码实现，也很简单：

def iou(boxA, boxB):    #(xmin, ymin, xmax, ymax)格式的框坐标
    #先确定交集框的上下左右边的值
    top_x = max(boxA[0], boxB[0])
    left_y = max(boxA[1], boxB[1])
    bottom_x = min(boxA[2], boxB[2])
    right_y= min(boxA[3], boxB[3])
    #计算交集部分的面积
    inter = (right_y - left_min) * (bottom_x - top_x)
    area_A = (boxA[2]-boxA[0]) * (boxA[3] - boxA[1])
    area_B = (boxB[2]-boxB[0]) * (boxB[3] - boxB[1])
    #计算并集的面积与交并比IOU
    union = area_A + area_B - inter
    iou = inter / union

    return iou

 可参考下图以便于理解上面的代码：

对于Iou而言，我们通常会选取一个阈值，如0.5，来确定预测框是正确还是错误的。当两个框的IoU大于0.5时，我们认为是一个有效的检测，否则属于无效的匹配。如果有两个杯子，则模型产生了两个预测框。如下图示。

由于图像中存在背景与物体两种标签，预测框也分为正确与错误，因此在评测时会产生以下4种样本。

• 正确检测框TP(True Positive) ：预测框正确地与标签框匹配了，两者间的IoU大于0.5，如图检测框①
• 误检框FP(False Positive)：将背景预测成了物体，如图中检测框②，通常这种框与所有标签框的IoU都不会超过0.5｡
• 漏检框FN(False Negative)：本来需要模型检测出的物体，模型没有检测出，如图③检测框所示。
• 正确背景TN(False Negative)：本身是背景，模型也没有检测出来，这种情况在物体检测中通常不需要考虑。