目标检测中的常见评价指标

一、 IOU

如何判断对象检测算法运行良好呢？IOU交并比函数可以用来评价对象检测算法。它做的是计算两个边界框交集和并集之比。这两个边界框分别是bounding box 与 ground truth。因此这个概念是为了评价你的对象定位算法是否精准，即IOU衡量了两个边界框重叠的相对大小。公式如下：

IOU=(A∩B)/(A∪B)

一般约定，在计算机检测任务中，如果IOU>=0.5，则预测是可以被接受的，若IOU=1，代表预测框和实际框完美重合。IOU的阈值0.5是人工约定的，如果你希望严格一点，可以将阈值定的更高，越高越精确，这是衡量定位精确度的一种方式。

二、NMS

        我们在对象检测中会遇到一个问题，算法可能对同一个对象作出多次检测，因此NMS非最大抑制的作用就是清理这些重复的检测结果，确保算法对每个对象只检测一次。

 如图，我们使用算法想要定位这一辆车，但是算法找出了多个预测框，我们需要判断哪个框是所需要的，这一过程就是利用NMS，具体流程是：

先假设有6个矩形框，根据分类器类别分类概率做排序，从小到大分别属于车辆的概率分别为A、B、C、D、E、F。

(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;

(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。

(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。

就这样一直重复，找到所有被保留下来的矩形框。

三、AP

        AP（Average Precision）指的是P-R（Precision-Recall）曲线下的面积。

以查准率为纵轴，查全率为横轴作图，得到的曲线简称为“P-R曲线”。

四、mAP

        mAP (means Average Precision) 即各类别的AP值的均值。

五、AR和mAR

        AR（average recall）是 IoU在[0.5,1.0] 上所有recall的平均。即是recall-IoU 曲线所围成的面积的两倍。

六、混淆矩阵

        目标检测模型通常会输出很多个检测框，我们是通过统计并计算每个检测框是否能检测到目标的各种占比来衡量模型的检测效果，因此，我们会把检测框分成如下四种情况，判断的依据主要是通过计算交并比，上面有介绍过：

TP (True Positive) ，真的正样本 = 正样本 被分类为 正样本；
TN (True Negative) ，真的负样本 = 负样本 被分类为 负样本；
FP (False Positive) ，假的正样本 = 负样本 被分类为 正样本；
FN (False Negative) ，假的负样本 = 正样本 被分类为 负样本（通常为漏检）

它们可以构成混淆矩阵，如下：

对于一个图像来说(TN-检测背景，并且分类正确)：

查准率和查全率是一对矛盾的度量。一般来说，查准率高时，查全率往往偏低，而查全率高时，查准率往往偏低。例如若希望将好瓜尽可能多的选出来，那么可以通过增加选瓜的数量来实现，如果将所有西瓜都选上，那么所有的好瓜也肯定被选上了，但是这样会导致查准率较低。若希望选出的瓜中好瓜的比例尽可能高，则挑选的是最优把握的瓜，但是这样难免会出现遗漏好瓜的情况，就使得查全率较低。

Precision 查准率（精度）
Precision：指的是在模型预测的结果中，其中正确的有多少个。看上面的图，预测结果有

Recall 查全率
Recall：指的是在所有的真实目标中，其中正确的有多少个。看上面的图，真实目标有TP+FN。

 IOU交并比

七、ROC 和 AUC

                ROC全称是“受试者工作特征”曲线，它的纵轴是“真正例率（TPR）”，横轴是“假正例率”（FPR）。公式如下

进行学习器的比较时，若一个学习器的ROC曲线被另一个学习器的曲线完全包住，则可断言后者的性能优于前者。若两个学习器的ROC曲线发生交叉，则难以一般性地断言两者孰优孰劣，如果一定要进行比较，则较为合理的判据是ROC曲线下的面积，即AUC。

目标检测中NMS（非极大抑制）的概念理解_花花少年的博客-CSDN博客_nms

【深度学习】目标检测之评价指标_florrie Giu的博客-CSDN博客_目标检测算法的评价指标