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

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）

\(Precision=\frac {TP} {TP+FP} \text{ }\) 即 预测正确的部分 占 预测结果 的比例

\(Recall=\frac {TP} {TP+FN} \text{ }\) 即 预测正确的部分 占 GroundTruth 的比例

3. IoU（Intersection over Union）

\[IoU=\frac {TP} {TP+FP+FN}
\]

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

• \(IoU=\frac {TP} {TP+FP+FN} \gt 0.5\) 预测结果：TP
• \(IoU=\frac {TP} {TP+FP+FN} \lt 0.5\) 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)

\[Precision=\frac {TP} {TP+FP}
\]

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：

\[Recall=\frac {TP} {TP+FN}
\]

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。

原文：https://www.pianshen.com/article/20801175613/