最易懂的解释：目标检测中的评估指标（IoU，AP，mAP）

一，IoU的计算:

IoU是用来衡量两个box的重合度的，值越大重合度越高，求法简单来说就是交集/并集。

二， TP,FP,FN,TN的解释：

原本的解释是：T/F表示模型预测的对错，P/N表示模型认为是正样本还是负样本。这样说不好理解。下面通俗的解释:

模型预测出来的所有box都是P，模型没有预测出来的box都是N.

TP:预测框和GT(GroundTruth)的IoU, 大于阈值threshold

FP:预测框和GT的IoU，小于阈值threshold

目标检测中不区分FN,TN。因为N没有预测出来，所以不存在TN,FN的区分

三，Precision和Recall的解释：

$precision = \frac{TP}{TP+FP}=\frac{TP}{All Pred}$ 前一个等号是公式，后一个等号是实际表达的意思。

precision: 准确率（也叫查准率，反映查得准不准)

这个公式表达的意思是：模型预测出来的所有box中,预测正确(IoU大于阈值)的所占的比例。

$recall = \frac{TP}{TP+FN} = \frac{TP}{GT}$ 同上。

公式表达的意思是: 所有GT中，预测正确所占的比例。

recall: 召回率（也叫查全率，反映查得全不全）

四，AP，mAP的求法:

AP(Average Precision)是用来评价一个模型的综合性能的.

AP的计算针对某一个类(label)来说的，一般来说，我们模型预测box的时，会有物体分类的置信度。例如：预测的物体有5类，box的坐标 [ x1,y1,x2,y2 ]，置信度为 [0.1,0.15,0.5,0.15,0.3]。针对第1类计算AP，那么取置信度为0.1，说白了计算哪一类就取哪一类的置信度。

这里我就不画图了，直接上别人的图。下面的讲解是针对每一类来说的。

这个数据集有7张图，所有GT(绿色的box)有15个，预测的所有box(红色的box，从A到Y)有24个。如下图：

对每一个预测的box置信度由大到小排，求与GT的IoU,大于threshold为TP,否则为FP。

下图就是置信度从大到小排序后的结果，每一张图像的precision和recall都是上面累加下来的结果。求法就是按照precison和recal的公式，只不过TP，FP都是依次累加的。

例如，第一行： $precision=\frac{1}{1}$ ， $recall = \frac{1}{15}$ 。第二行： $precision = \frac{1}{1+1}$ , $recall = \frac{1}{15}$ ，第四行： $presion = \frac{1+1}{4}$ , $recall = \frac{2}{15}$ .其他的以此类推。