二、iou（交並比）
真實情況
**為正
**為反
recall召回率正tp
fnr = tp / (tp + fn)反fp
tnprecision準確率
p = tp / (tp + fp)
這四個字母看著真頭暈，就算看部落格當時理解了，過一會兒就忘了，所以決定整理一下，用特殊的方法記住他！
後面的字母p（positive）和n（negative）是針對檢測器而言的。檢測器認為它是正，則是p，反之則為n。
前面的字母t（true）和f（false）是用來修飾檢測器所檢測出來的結果。可以把前面的字母當成上帝，它有上帝視角，知道檢測器到底**的對不對。上帝說是t就是你**對了，是f就是**錯了。
檢測器說是p正例，上帝告訴你，你對了，真實情況就是正例，則是tp（上帝說你對t + 檢測器認為正）。
檢測器說是p正例，但上帝告訴你，你錯了，真實情況是反例，則是fp（上帝說你錯f + 檢測器認為正）。
檢測器說是n反例，上帝告訴你，你錯了，真實情況是正例，則是fn（上帝說你錯f + 檢測器認為是反）。
檢測器說是n反例，上帝告訴你，你對了，真實情況就是反例，則是tn（上帝說你對t + 檢測器認為是反）。
檢測器認為是正的例子中，有多少是真正的正？
p =t
ptp+
fpp = \frac
p=tp+f
ptp
所有正例中（上帝認為正），檢測器**對了多少？
此圖截自fcos**。
由圖可知，p-r曲線是以precision為縱座標、recall為橫座標的二維曲線，稱p-r曲線（precision-recall curves）。通過在不同閾值的情況下所對應precision和recall畫出此圖。
準確率precision和召回率recall是一對相悖的指數，不可能做到兩個指數都特別高，一邊高另一邊指數就低。
p-r曲線所圍起來的面積就是ap值，通常來說，乙個越好的檢測器，ap值越高。而且一般來說，p-r曲線越靠右，包著左邊的曲線，則右邊這個是更好的檢測器。
可以看到圖中是class-agnostic p-r曲線，是分類無關曲線。實際情況中，每一類都可以根據自己的precision和recall繪製p-r曲線，而map值就是每一類的ap的平均值。
iou即交並比（intersection-over-union），目標檢測中最常見的乙個指標，用於測量**到的bounding box和實際標註框之間的分數。值得一提的是，最近在學習anchor-free方式的目標檢測，iou在anchor-free中用的較少。
iou表示所**的框（bounding box，簡稱bbox）與原標註框（ground-truth box，簡稱gt box）的重合率。最理想的情況下是完全重疊，即比值為1.
i ou
=交集的
面積並集
的面積iou = \frac
iou=並集
的面積交
集的面積
參考部落格：
目標檢測評價指標mmAP（入門視角）
總的來說，影象分類和語義分割都是結構化 任務，而目標檢測是非結構化 任務，也就是說每張真值框數目和 框數目並非一一對應的。目標檢測的 結果包含 類別，bbox 那麼評價指標也應該從這個指標出發 map衡量的是在某個iou閾值下，所有類別的平均檢測效能。例如，檢測器對某個常見類別的ap很高，而對某個不...
顯著性檢測評價指標
m為二值化的顯著 圖，g為ground truth.通過設定閾值得到二值化的顯著 圖m，通過上式計算得到一對precision,recall 所有的p，r取平均 閾值取值為0 255.這樣，不同的閾值，對應不同的p r對，總共有256個p r對。以p為縱座標，r為橫座標，構成p r曲線。參考 2一般...
目標檢測效能評價指標（mAP IOU）
1 true positives tp 被正確地劃分為正例 2 false positives fp 被錯誤地劃分為正例 3 false negatives fn 被錯誤地劃分為負例 4 true negatives tn 被正確地劃分為負例 a 對的 所有 tp tn tp fn fp tn 精確...