目标检测指标TP、FP、TN、FN和Precision、Recall

目标检测指标TP、FP、TN、FN，Precision、Recall

1. IOU计算

在了解Precision(精确度)、Recall（召回率之前我们需要先了解一下IOU(Intersection over Union，交互比)。交互比是衡量目标检测框和真实框的重合程度，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。一般来讲，当预测框和真实框IOU>=0.5时，被认为是正样本。

$$IOU=\frac{S_{Intersection}}{S_{Union}}=\frac{S2}{S1+S2+S3}$$

2. Precision、Recall

$$\begin{array}{l}\mathrm{Pr}ecision=\frac{TP}{TP+FP}\\ \mathrm{Re}call=\frac{TP}{TP+FN}\end{array}$$
上述公式是求解精确度和召回率的公式，这里我们需要理解其中各项的含义，（正样本就是我们要检测的目标，负样本就是背景）

TP (True Positive) : 可以理解为把框分对了，被分为正样本，本身也是正样本（本身是正样本还是负样本是通过IOU值与阈值比对来判定）。

TN（True Negative）: 可以理解为把框分对了，被分为负样本，本身也是负样本。(该指标没有意义，一般不用)

FP（False Positive）:可以理解为把框分错了，被分为正样本，但是本身是负样本。

FN(False Negative): 可以理解为把框分错了，被分为负样本，但是本身是正样本。（也就是说该真实目标没有被检测出来）。

举例：

在这个图中绿色的框是真实目标框，红色的框是分类器的预测框
$$\begin{array}{l}\mathrm{Pr}ecision=\frac{1}{1+2}=\frac{1}{3}\\ \mathrm{Re}call=\frac{1}{1+1}=\frac{1}{2}\end{array}$$

3. AP、mAP

目标检测不是分类，不能单纯凭精确度（Precision）来判断，也不能单纯看召回率（Recall）来判断。比如下面两种情况。

Case 1:

$$\mathrm{Pr}ecision=\frac{1}{1+0}=1$$
虽然说精确度可以达到100%，但是在图片中还有其他目标没有被检测到，所以不能单纯依靠精确度一个指标。

Case 2:

$$\mathrm{Re}call=\frac{2}{2+0}=1$$
同理，该例子中虽然召回率可以达到100%，但是检测效果也不好。那么如何判断模型的检测效果好坏呢，需要AP来衡量。

AP（Average precision可以看作是平均精准度，只不过是一个类别的。而mAP是多个类别的平均精准度。

要算AP，那么我们就要了解PR曲线。该曲线是通过设置不同的置信度（confidence）阈值,得到不同的Precision和Recall，以Precision为横轴，Recall为纵轴画出来的曲线则是PR曲线，曲线围成的面积就是AP。

例：

该图是一个类别的AP，多个类别AP的平均值则是mAP.