计算机视觉目标检测常用的一些评估指标

1.常用指标

1）每个检测物体的分类准确度；

2）预测框与真实框的重合度（IOU）：如果设定IOU的阈值为0.5，当一个预测框与一个真实框的IOU值大于该阈值时，被判定为真阳（TP），反之被判定为假阳（FP）

3）模型是否找到图片中的所有物体（召回，recall）：如存在某些模型没有预测出的真实框称之为假阴（FN）。

4）综合得到mAP：在PascalVOC中，mAP是各类别AP的平均，precision
= TP / (TP + FP)。

指预测框为true的数量比上所有预测框的数量

5）召回率：recall = TP / (TP + FN)。指找到的某一类别物体的数量比上图像中所有这类物体的数量。

2. 详解：True Positive，False Positive，False Negative和True Negative：

True Positive(TP)：既是正样本又被预测为正样本的个数，即检测正确，检测中的IOU≥阈值。

False Positive(FP)：负样本被预测为了正样本的个数，即检测错误，检测中的IOU＜阈值。

False Negative(FN)：既是负样本又被预测为负样本的个数，也即ground truth未被检测到。

True Negative(TN)：正样本被预测为了负样本的个数。TN最后不会被应用于评价算法的性能。阈值和评价的尺度有关，通常被设定为0.5，0.75或者0.95。

3.详解：IOU（Intersection Over Union）

IOU用于计算两个边界框之间的交集。它需要一个ground truth边界框Bgt和一个预测边界框Bp。通过应用IOU，我们可以判断检测是否有效（TP）或不有效（FP）。

IOU由预测边界框和ground truth边界框之间的重叠区域除以它们之间的结合区域得出：

4.性能指标

评价一个目标检测算法是否有效，我们通常关注精度和速度两个方面。精度的评价指标通常有两个：检测准确率（Precision）以及召回率（Recall）。速度的评价指标通常为检测速度（Speed）。计算检测准确率和召回率的公式如下：

最常用的评价指标为检测平均精度( Average Precision，AP)，它被定义为正确识别的物体数占总识别的物体个数的百分数。而评估所有类别的检测准确度的指标为平均精度均值( Mean Average Precision，mAP)，定义为所有类别检测的平均准确度，通常将mAP作为检测算法性能评估的最终指标。平均召回率( Avreage Recall，AR) 表示正确识别的物体数占测试集中识别的物体个数的百分数。此外，为了评估一个检测器的实时性，通常采用每秒处理帧数(Frames Per Second，FPS)指标评价其执行速度。FPS值越大，说明检测器的实时性越好。【张索非】