检测器评价指标-IOU

深度学习

目标检测领域
评价指标？？？

---

前言

对于一个检测器，我们如何去评价它的优劣呢？ 众所周知，物体检测器模型输出是非结构化的，我们事先是无法知道输出物体的位置、数量等，目前，我们一般采用IOU对其进检测器进行评价

---

一、IOU是什么？

  假设我们有一张图片，这张图片有一个真实框和预测框，这两个边框的交集和并集的比值就是IOU，IOU取值区间为[0,1],所以IOU越大，两框重合程度越大。
  其公式可以写为：IOU=(A∩B)/(A∪B)

二、python实现IOU

def iou(A,B)
	#计算重合部分上下左右4个边的值
	left=max(A[0],B[0])
	top=max(A[1],B[1])
	right=min(A[2],B[2])
	down=min(A[3],B[3])
	#计算重合部分的面积
	inter=max(0,(right-left))*max(0,down-top))
	sa=(A[2]-A[0])*(A[3]-A[1])
	sb=(B[2]-B[0])*(B[3]-B[1])
	#计算所有区域的面积并计算iou
	union=sa+sb-inner
	return inner/union

对于IOU来说，我们通常会选取一个阈值，如0.5或0.7，用来确定预测框是正确还是错误的，当IOU大于我们所设的阈值时，我们认为这个检测是有效的，否则是无效的。

三、评价会产生的几种样本

预测框也分正确和错误的，所以评价会产生4种样本，
正确检测框（TP）:预测框正确的与真实标签框匹配，且IOU大于所设阈值。
误检框（FP）：将背景框预测成物体
漏检框（FN）：本需要模型检测出的物体漏掉了，没检测出来。
正确背景（Ture Negative）：本身为背景，模型也没检测出来。

总结

期待大家和我交流，留言或者私信，一起学习，一起进步！