目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP）_precision和tp

1. TP TN FP FN

                                                              GroundTruth                 预测结果

TP（True Positives）：   真的正样本  = 【正样本  被正确分为  正样本】

TN（True Negatives）： 真的负样本  = 【负样本  被正确分为  负样本】

FP（False Positives）：  假的正样本  = 【负样本  被错误分为  正样本】

FN（False Negatives）：假的负样本  = 【正样本  被错误分为  负样本】

2. Precision（精度）和 Recall（召回率）

             即  预测正确的部分  占     预测结果     的比例

                   即  预测正确的部分  占  GroundTruth  的比例

3. IoU（Intersection over Union）

4. AP

(1) 找出  预测结果  中  TP（正确的正样本）  和  FP（误分为正样本）  的检测框

     设置IoU的阈值，如IoU=0.5

     IoU值大于0.5  预测结果  正确；否则， 预测结果  错误，如下图所示

                              

$IoU=\frac{TP}{TP+FP+FN}> 0.5$                     $IoU=\frac{TP}{TP+FP+FN}< 0.5$

            预测结果：TP                                                    预测结果：FP

注意：这里的TP、FP与图示中的TP、FP在理解上略有不同

(2) 计算  不同置信度阈值  的  Precision、Recall

a. 设置不同的置信度阈值，会得到不同数量的检测框：

        阈值高，得到检测框数量少；

        阈值低，得到检测框数量多。

b. 对于  步骤a  中不同的置信度阈值得到  检测框(数量)=TP(数量)+FP(数量)

c. 计算Precision，按照上面步骤(1)中使用IoU计算TP、FP的方法，将步骤b中的检测框(数量)划分为TP(数量)、FP(数量)

       

d. 计算Recall，由于TP+FN是GroundTruth(即已知的检测框的数量)，则可以得到：

       

e. 计算AP，不同置信度阈值会得到多组（Precision，Recall）

    假设我们得到了三组（Precision，Recall）：

  （0.9, 0.2），（0.5, 0.2），（0.7, 0.6），如下图中所示

AP=上图中所围成的面积，即  AP = 0.9 x 0.2 + 0.7 x 0.4 = 0.46

5. mIoU、mAP

IoU和AP是对一个类别所计算的结果，mIoU和mAP是所有类结果的平均值。

 

 

参考博客：

理解目标检测当中的mAP

https://blog.csdn.net/hsqyc/article/details/81702437