目标检测中的常见指标

        最近在做一个目标检测的练习项目——阿里天池的宫颈癌检测初赛任务，用了MMDetection中自带的Faster RCNN网络，好不容易把网络跑通，但是测试网络的时候发现自己看不懂评价指标...在此将相关的评价指标及其含义记录一下，供自己和其他初学者参考。

1.TP(True Positive):IoU>0.5的检测框数量（同一Ground Truth只计算一次）。

2.FP(False Positive):IoU<=0.5的检测框数量（或者是检测到同一个GT的多余检测框的数量）。

3.FN(False Negative):没有检测到的GT的数量。

4.Precision:TP/(TP+FP)模型预测的所有目标中，预测正确的比例，因此又叫查准率。

        倘若有5个GT，但是只检测出1个目标（匹配到某个GT且IoU>0.5)，此时TP=1，FP=0，Presicion=100%。

5.Recall：TP/（TP+FN）所有真实目标中，模型预测正确的目标比例，因此又叫查全率。

        倘若有5个GT，但检测出了50个目标（5个GT中均分配到了IoU>0.5的目标框），此时TP5，FN=0，Recall=100%。

        因此只看Precision或者只看Recall并不能实际反映出模型检测效果的好坏。

6.AP：P-R曲线下面积

7.P-R曲线：Precision-Recall曲线

8.mAP:Mean Average Precision，即各类别AP的平均值。

以上为COCO官网给出的指标解释。 

 以上述结果为例，第一列（从左到右的顺序）为AP和AR两个评价指标；第二列为IoU的取值，0.50:0.95表示以0.05为步长，共10个IoU阈值求平均作为最后的输出结果；0.50为PASCAL VOC数据格式采用的阈值，0.75则更加严格（要求定位更加准确）；第三列表示目标面积，all为所有目标，small、medium和large为小中大目标，具体划分标准在官网给出的图片上有，可以根据自己的数据集关注不同大小目标的检测情况；第四列为最多生成的检测框数量，可自行更改，若每张图像只有一个目标，则100和300不会有很大差别，反而最多生成100个检测框的效率会高一些；最后则是上述不同条件组合的数值输出。

最后附上B站视频讲解，可能会更加直观一些，喜欢的小伙伴可以去看看。本文仅作为学习记录，如有不足望批评指正。