連線：

目標檢測評價標準mAP - 知乎 (zhihu.com)

1.混淆矩陣

                       真實值（true）    真實值（false）

預測值（true）TP   (True Positive)     FP(False Positive)

預測值（false）FN(False Negative)    TN(True Negative)

recall = TP/(FN+TP)  「查全率」:所有的正樣本是不是都被檢測出來了。比如在腫瘤預測場景中，要求模型有更高的recall，不能放過每一個腫瘤

precision = TP/(TP+FP)「查準率] :在所有檢測出的正樣本中是不是實際都為正樣本。比如在垃圾郵件判斷等場景中，要求有更高的precision，確保放到回收站的都是垃圾郵件

ImageNet的評價標準。但具體到單個類別，如果recall比較高，但precision較低，比如大部分的汽車都被識別出來了，但把很多卡車也誤識別為了汽車，這時候對應一個原因。如果recall較低，precision較高，比如檢測出的飛機結果很準確，但是有很多的飛機沒有被識別出來，這時候又有一個原因

在mAP計算中

1.幹活的時候confidence選擇比較高，一般來說為0.5，0.3

2.測量mAP的是時候比較低一般為0.001，0.01之類的非常小（統一標準，保留多一點框）

手寫mAP

第一步match_table

match_table格式為

def nms_as_class(bboxes, threshold, class_index=-1
 
, confidence_index=-2):
    boxasclass = {}
    for box in bboxes:
        classes = box[class_index]
        if classes not in boxasclass:
            boxasclass[classes] = []
        boxasclass[classes].append(box)

    output = []
    for key in boxasclass:
        result = nms(boxasclass[key], threshold, confidence_index)
        output.extend(result)
    
 
return output

# 5.計算[email protected]的precision、recall曲線
* 0.5指IoU的閾值是0.5，如果需要計算[email protected]，直接指定閾值0.75即可
* 當某一個detection的最優匹配的IoU > threshold時，被認為檢測成功，
* 對應的groundtruth如果第一次出現，則該detection被認為是true_positive，否則是false_positive
* 當選中一個true_positive時，其對應的groundtruth設定為見過（seen)，以後任何detection見到他都不能夠匹配為true_positive
* Recall的計算公式為：
 Recall={TP}/{TP + FN} = {TP}/ground truths}
* Precision的計算公式為：
Precision={TP}/{TP + FP} = {TP}/{\#detections}
* 對於檢測任務而言，真實值只有Positive，沒有Negative。預測值只有Positive，沒有Negative
- 也因此，咱們只有FN、FP、TP沒有TN
- 所以，TP + FN，就是ground truths的數量
- 所以，TP + FP，就是detections的數量

 程式碼如下

# 計算AP@0.5 代表的含義是iou閾值為0.5的時候Precision,Recall值
# 如果有出現的框我們只匹配一次
iou_threshold = 0.5
num_detection = len(matched_table)
true_positive = np.zeros((num_detection,))
# 因為不是全域性唯一matched_index,每個圖片對應一些match_index
groundtruth_seen_map = {item[3]: set() for item in matched_table}
for detection_index in range(num_detection):
    confidence, iou_value, match_index, image_id = matched_table[0]
    if iou_value >= iou_threshold:
        groundtruth_seen_map_set = groundtruth_seen_map[image_id]
        if match_index not in groundtruth_seen_map_set:
            groundtruth_seen_map_set.add(match_index)
            true_positive[detection_index] = 1
num_predicts = np.arange(1, len(true_positive) + 1)
accumulate_true_positive = np.cumsum(true_positive)
precision = accumulate_true_positive / num_predicts
recall = accumulate_true_positive / sum_groundtruth

------------恢復內容結束------------