机器学习算法评估指标——2D目标检测人工智能graviti的博客-

目标检测是计算机视觉领域的传统任务，需要识别出图像上存在的物体，给出对应的类别，并将该物体的位置通过最小包围框（Bounding box）的方式给出。下面介绍2D目标检测任务的常用评价指标。

IoU（Intersection over Union）

• 定义：交并比，两个矩形框交集的面积与并集的面积之比
• 范围：0~100%
• 用途：判断两个矩形框的重叠程度，值越高则重叠程度越高，即两个框越靠近
• IoU 和 Overlap Rate 定义是完全相同的，只不过在检测任务中常写作IoU，在跟踪任务中常写作 Overlap Rate

IoU threshold

• 定义：需要人为设定的IoU的阈值，高于该阈值的矩形框被认为是命中目标，反之则被认为未命中
• 范围：0~100%
• 用途：作为区分矩形框是否命中目标的指标，阈值越高则要求矩形框与真值重叠程度越高

TP，TN，FP，FN

• TP （True Positive，真阳性）：检测器给出正样本，事实上也是正样本，即正确检测到目标
• TN （True Negative，真阴性）：检测器给出负样本，事实上也是负样本，即正确检测到非目标
• FP （False Positive，假阳性）：检测器给出正样本，事实上却是负样本，即误检测
• FN （False Negative，假阴性）：检测器给出负样本，事实上却是正样本，即漏检测

Precision

• 定义：精确度（查准率），表示检测器给出所有正样本中正确的百分比
• 计算：Precision = 检测器正确检测的正样本个数/检测器给出的所有正样本个数 = TP/(TP + FP)
• 范围：0~100%
• 用途：用于评估检测器在检测成功基础上的正确率

Recall

• 定义：召回率（查全率），表示真值给出的所有正样本中被检测器检测到的百分比
• 计算：Recall = 检测器正确检测的正样本个数/真值给出的所有正样本个数 = TP/(TP + FN)
• 范围：0~100%
• 用途：用于评估检测器对所有待检测目标的检测覆盖率

PR曲线

• 定义：Precision-Recall曲线，即以Precision为纵坐标、Recall为横坐标所作的曲线
• 绘制：选取不同的confidence阈值，可以在PR坐标系上得到不同的点，连接这些点即可获得PR曲线
• 用途：用来评估模型性能。Precision值和Recall值越大越好，所以PR曲线越往右上角凸越好。

AP（Average Precision）

• 定义：平均精度，即PR曲线下的面积
• 范围：0~100%
• 用途：用来衡量算法在单个类别上的平均精度。AP值越高，表示对这个类别的检测精度越高。
• 计算：11点插值法和所有点插值法
• 11点插值法：VOC2010以前，选取当Recall >= 0, 0.1, 0.2, …, 1共11个点时的Precision最大值，AP是这11个Precision的平均值，此时只由11个点去近似PR曲线下面积。

•    所有点插入法：从2010年开始，PASCAL VOC计算AP的方法发生了变化，使用所有点插入法而不是11个等间隔点插入了。

在这种情况下，不再使用仅在几个点上观察到的precision，而是通过对每个precision进行插值来获得AP。这样，我们可以估计曲线下的面积。

mAP（Mean Average Precision）

• 定义：平均精度均值，即多个类别的AP的平均值
• 范围：0~100%
• 用途：用来衡量算法在所有类别上的整体精度表现。mAP值是目标检测算法最重要的评估指标之一。

f-measure

• 定义：Precision和Recall的加权调和平均值
• 计算：

 fβ-measure = ( β^2 + 1 ) * P * R / ( β^2 * P + R ) 当 β = 1 时，即为 f1-measure： f1-measure = 2 * P * R / ( P + R ) 

• 范围：0~100%
• 用途： Precision和Recall在一般情况下是互斥的，即Precision越高，Recall越低。f-measure用于为两者给出一个综合评判。

FPPI（False Positive Per Image）

• 定义：每张图片的误检数，相比precision和recall更加直观
• 用途：评估平均误检数