怎样才算正确检测到一个目标？

• 什么是IOU：
  https://blog.csdn.net/qq_51831335/article/details/125719420
  
  

mAP计算方法：

假设针对某一类别的AP情况
TP：预测正确的边界框个数。预测边界框与GT-box的IOU>0.5
FP：假阳性
（
FN就是 把检测对象检测为背景的 那些检测框 的数量，也就是一些被检测错误（F）为负样本（N）的样本，它们本来应该被检测为正样本。
）
FN：漏检

↑只检测出了一个目标：
TP=1
FP=0
Precision=1/(1+0)=1
所以仅通过Precision无法判断模型好坏
↑假设有5个目标，网络预测出了50个目标（包括需要检测的这5个目标）。
TP=真实目标的个数
FN=0，因为没有漏检
召回率Recall = TP/(TP+FN) =100%
所以单靠召回率也不行

引入AP，进一步求mAP。
因为是针对每一个类别去分别求的AP值。一个类别对应一个AP值。但是在目标检测中有多个类别，所以对多个类别取平均值，就得到了mAP

累加训练集中的目标个数（2）
通过列表表示检测到的目标信息（按照Confidence降序排列表格）
Confidence：预测这个目标的概率
OB：是否是TP（是否是想要检测的目标）
（弹幕：
若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.5 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP
）
（
因为预测的两个边界框预测的目标都是第一只猫，所以ID都是1，预测给出的数值是置信度，不是IOU，IOU是预测框与真实框的交并比
）

针对confidence取不同阈值所得到的Precision和Recall的信息。
1.将Confidence设置到0.98，大于等于0.98的目标才算正确匹配。
2.只检测到了一个目标（绿色，TP=1），所以不存在假阳性（FP=0）。总目标个数是7，所以漏检了6个（FN=6）。
Precision=1/(1+0)=1
Recall=1/(1+6)=1/7

将Confidence阈值调低：

FN=7-2=5

False:并不是想要检测的目标。FP=1。
FN=7-4=3.

不断调整阈值（因为这样可以使得recall值一定是逐渐增大的），得到↓

可以以Recall为横坐标，Precision为纵坐标，得到P-R曲线。
对于横坐标Recall，需要滤除一些重复信息（保存Precision最大的那个）。

具体方法见视频。（目的就是求面积，就算不规则的也是类似画梯形去近似）
最后求得的0.6694就是对应猫这个类别的AP值。可以用同样的方法求得别的类别是AP值，最终一起求均值得到mAP。

coco评价标准：

使用目标检测网络训练后，在验证集中得到的coco评价列表

比较常见的两个目标检测数据集：pascal voc、coco

上面COCO评价标准中每一条数据的含义：
AP：

AP Across Scales：
针对小面积、中面积、大面积的AP
可以了解到目标检测网络对不同尺度目标的检测效果。

AR： recall查全率

第三个：
最多预测100个目标（检测框）。通过限定预测的值，可以从下图看出，大约64%的目标被检测出来。

AR Across Scales：
对应不同目标尺度的AR值。

建议看的：

如果对目标准确率较高就看IoU=0.75的哪个。
对小目标检测要求较高：

如果这两个差距很小的话，可以减少检测的目标个数，可以提高一些目标检测的效率。