目标检测网络训练时会得到coco的一系列评价列表。那么这些数都代表什么意思呢。
首先要明确几个概念
TP（True Positive）：IOU＞0.5的检测框的数量（同一个Ground True只计算一次。认为匹配成公）。
FP（False Positive）：IOU＜=0.5的检测框（假正类，认为它是但它不是）。
FN（False Negative）：没有检测到的GT的数量（漏检）。
Precision（查准率）：TP/(TP+FP)模型预测的所有目标中，预测正确的比例
Recall（查全率）：TP/(TP+FN)所有真实目标中，模型预测正确的目标比例
P-R曲线：Precision-Recall曲线
AP：P-R曲线下的面积
mAP：mean Average Precision，各类别AP的平均值。
例子
以检测猫类别为例
?注：图里的数字代表的是置信度不是IOU，表按照Condifence从大到小排序，num=7。
| GT? ID | Confidence | OB(IOU=0.5) |
| 1 | 0.98 | True |
| 3 | 0.89 | True |
| 6 | 0.88 | True |
| 7 | 0.78 | True |
| 3 | 0.66 | False |
| 1 | 0.61 | False |
| 4 | 0.52 | True |
?计算AP
针对不同的comfidence去不同的阈值我们会得到不同的Precision和Recall
我们将comfidence设置为0.98也就是红字的位置，我们计算Precision和Recall
TP=1；FP=0；FN=6（一共有七个目标此时只检测出一个目标）；Precision=1；Recall=0.14
| GT? ID | Confidence | OB(IOU=0.5) |
| 1 | 0.98 | True |
| 3 | 0.89 | True |
| 6 | 0.88 | True |
| 7 | 0.78 | True |
| 3 | 0.66 | False |
| 1 | 0.61 | False |
| 4 | 0.52 | True |
我们将comfidence设置为0.89也就是红字的位置，我们计算Precision和Recall
TP=2；FP=0；FN=5；Precision=1；Recall=0.28
| GT? ID | Confidence | OB(IOU=0.5) |
| 1 | 0.98 | True |
| 3 | 0.89 | True |
| 6 | 0.88 | True |
| 7 | 0.78 | True |
| 3 | 0.66 | False |
| 1 | 0.61 | False |
| 4 | 0.52 | True |
以此类推我们一直往下计算。
我们将comfidence设置为0.66也就是红字的位置，我们计算Precision和Recall
TP=4；FP=1；FN=3；Precision=0.8；Recall=0.57
| GT? ID | Confidence | OB(IOU=0.5) |
| 1 | 0.98 | True |
| 3 | 0.89 | True |
| 6 | 0.88 | True |
| 7 | 0.78 | True |
| 3 | 0.66 | False |
| 1 | 0.61 | False |
| 4 | 0.52 | True |
全部计算完之后我们会得到一组Precision和Recall
| Rank | Precision | Recall |
| 1 | 1.0 | 0.14 |
| 2 | 1.0 | 0.28 |
| 3 | 1.0 | 0.42 |
| 4 | 1.0 | 0.57 |
| 5 | 0.80 | 0.57 |
| 6 | 0.66 | 0.57 |
| 7 | 0.71 | 0.71 |
?当Recall值相等是我们只需要保留Precision值最大的那个（绿色部分可以删掉）。
| Rank | Precision | Recall |
| 1 | 1.0 | 0.14 |
| 2 | 1.0 | 0.28 |
| 3 | 1.0 | 0.42 |
| 4 | 1.0 | 0.57 |
| 5 | 0.80 | 0.57 |
| 6 | 0.66 | 0.57 |
| 7 | 0.71 | 0.71 |
??以Recall为横坐标Precision为纵坐标就会得到P-R曲线。
图中用阴影框住的部分就是我们的AP?。计算公式为Recall值减去前面的Recall（如果没有就减去0比如第一个Recall），然后乘上它下面最大的Precision的值。如图我们的计算公式为：
（0.14-0）*1.0+（0.28-0.14）*1.0+（0.42-0.28）*1.0+（0.57-0.42）*1.0+（0.71-0.57）*0.71=0.6694
COCO数据集的含义
Average Precision （AP）：
最上面的AP是IOU从0.5到0.95步距为0.05的AP的平均值（IOU的值越大要求我们的网络的定位越准确）。
第二行是IOU取0.5（上面的例子就是IOU=0.5）。
第三行是IOU取0.75。
?AP Across Scales：
第一行是针对小目标
第二行是针对中等目标
第三行是针对大目标
Average Recall（AR）：
第一行是每个图片最多预测1个目标（非极大值抑制之后）
第二行是每个图片最多预测10个目标（非极大值抑制之后）
第三行是每个图片最多预测100个目标（非极大值抑制之后）
AR?Across Scales:
这个也是对目标大小的限制