学习目标：
总结了几篇个人认为深入浅出的目标检测性能指标相关博客，希望通过这次笔记能帮助到还不理解的同学！
**理解目标检测中常用的性能检测指标mAP、IOU、Recall、Precision,**通过约30分钟的阅读深刻理解并掌握这几个常见指标的运用。
学习内容：
1、什么是IoU
IoU简单说就是预测框和真实框（GroundTruth）的重合程度，通常在训练VOC数据集时设置IoU=0.5为阈值，如果大于0.5则算作正确True，小于0.5则算作错误False，*具体见论文"The PASCAL Visual Object Classes (VOC) Challenge"Page_11。*需要说明的是，阈值的改变会影响检测结果，TP\FP\FN\TN等都会随着阈值的改变而改变。
具体的IoU定义为：
通俗理解如下图所示：
通常在目标检测中：
IoU大于设置阈值时，检测出现的预测框叫做Positive;
2、什么是TP TN FP FN：
理解这点很重要！
TP TN FP FN里面一共出现了4个字母，分别是T F P N。
T是True；
F是False；
P是Positive；
N是Negative。
T或者F代表的是该样本 是否被正确分类。
P或者N代表的是该样本 被预测成了正样本还是负样本。
真阳性TP：正确样本预测为正，在目标检测中为IoU大于阈值记为TP；
假阳性FP：错误样本预测为正，检测框的IoU小于阈值记为FP；
假阴性FN：正确样本预测为负，没有检测到框；
真阴性TN：错误样本预测为负；
直观解释如下图所示：
3、Precision（精确度）和Recall（召回率）：
在论文中常见的PR曲线图中的“PR”就是Precision（精确度）和Recall（召回率）,定义如下：
3.1、Precision：
Precision精度，即TP/(TP+FP)。指所有结果中正确的检索所占比例。结果中包含了真阳性结果TP和假阳性结果FP。其含义为所有被预测为正类的结果（其中也包含了被错误预测成正类的FP）中预测正确的结果所占比例。
3.2、Recall:
Recall召回率，即TP/(TP+FN)。指模型查找出正确对象的概率。其中包含了正确预测的正类TP，也包括了将正类错误预测成负类的FN。召回率的本质可以理解为查全率，即结果中的正样本占全部正样本的比例。
3.3、PR曲线：
PR：精度-召回率（P r e c i s i o n − R e c a l l Precision-RecallPrecision−Recall）曲线。这条曲线的两个变量程负相关，精度越高，召回率越低；召回率越高，精度越低。如果将所有对象都预测为正类，没有被错误预测成负类的正类（FN为0）那么召回率将为100%；如果将所有对象的预测都为负，没有被错误预测成正的样本，那么精度就将为100%,这两个指标间存在着此消彼长的关系，理想的曲线是向右上方凸出的、包围面积大的曲线。
4、通俗理解PR
进一步理解：理想的曲线是向右上方凸出的、包围面积大的曲线。
在目标检测算法里面有一个非常重要的概念是置信度，如果置信度设置的高的话，预测的结果和实际情况就很符合，如果置信度低的话，就会有很多误检测。
假设一幅图里面总共有3个正样本，目标检测对这幅图的预测结果有10个，其中3个实际上是正样本，7个实际上是负样本。对应置信度如下。
如果我们将可以接受的置信度设置为0.95的话，那么目标检测算法就会将序号为1的样本作为正样本，其它的都是负样本。此时TP = 1，FP = 0，FN = 2。
那么P和R的计算为：
此时Precision非常高，但是事实上我们只检测出一个正样本，还有两个没有检测出来，因此只用Precision就不合适。
这个时候如果我们将可以接受的置信度设置为0.35的话，那么目标检测算法就会将序号为1的样本作为正样本，其它的都是负样本。此时TP = 3，FP = 3，FN = 0。
此时Recall非常高，但是事实上目标检测算法认为是正样本的样本里面，有3个样本确实是正样本，但有三个是负样本，存在非常严重的误检测，因此只用Recall就不合适。
5、什么是AP和mAP
5.1、AP
AP均匀精度Average Precision：PR曲线下所围成的面积，面积越大越好
通俗来说就是利用不同的Precision和Recall的点的组合，画出来的曲线下面的面积。
当我们取不同的置信度，可以获得不同的Precision和不同的Recall，当我们取得置信度够密集的时候，就可以获得非常多的Precision和Recall。
5.2、mAP
mAP指的是对所有类别都计算好AP，然后在类别上求平均即可得到mAP，定义如下：
6、Reference
1、https://blog.csdn.net/u014636245/article/details/89236073
2、https://blog.csdn.net/weixin_44791964
3、https://blog.csdn.net/weixin_45192980/article/details/108031085