与图像分类的评价指标有所不同，图像分类是在所有的图像中分类正确和错误的概率。而目标检测显然不能这样来，那怎样才算检测正确?
1.loU大于指定阈值?
2.类别正确?
3.confidence大于指定阈值?
其实这三点在COCO评价指标当中都会运用到。
TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次）
FP: IoU
AR(average recall): 即平均召回率，是 IoU在[0.5,1.0] 上所有recall的平均，对于不同的iou取 最大召回率再求平均值。
mAP: mean Average Precision, 即各类别AP的平均值
上图就是对应一张图像输入网络后经过NMS后输出目标框的precision和recall的计算，
GT ID代表图像中目标框对应GT box的ID，为1就说明该目标框对应1号GTbox。
confidence是目标框的置信度，按照降序排列
OB（IOU=0.5）表示当目标框与GTbox的IOU大于0.5时就为Ture，小于0.5就为False。
rank表示规定的confidence的范围序列，rank=1就表示规定confidence大于0.98时求precision和recall。
TP为在rank的条件下，OB=Ture的个数
FP为在rank的条件下，OB=False的个数
FN为不在rank条件下的个数加上OB=False的个数
上图最后算出的结果就为PR曲线的面积，也就是AP
上图中
AP为IOU从0.5开始，每次增加0.05直到0.95，一共有十个IOU值，求出每一个IOU的AP，然后求平均得到。
AP（IOU=0.5）为IOU=0.5时的AP。AP（IOU=0.75）同理。
APsmall为当GTbox的面积小于32^2时的AP，APmedium和APlarge同理。
AR（max=100）表示NMS后目标框数量最大为100时的AR，其他同理。
AR（small）表示当GTbox的面积小于32^2时的AR。
Original: https://blog.csdn.net/Orange_sparkle/article/details/125898216
Author: Orange_sparkle
Title: 目标检测算法中，COCO评价指标的解析
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/680427/
转载文章受原作者版权保护。转载请注明原作者出处！