1. TP TN FP FN

? GroundTruth 預測結果

TP（True Positives）： 真的正樣本 = 【正樣本 被正確分為 正樣本】

TN（True Negatives）： 真的負樣本 = 【負樣本 被正確分為 負樣本】

FP（False Positives）： 假的正樣本 = 【負樣本 被錯誤分為 正樣本】

FN（False Negatives）：假的負樣本 = 【正樣本 被錯誤分為 負樣本】

2. Precision（精度）和 Recall（召回率）

(Precision=frac {TP} {TP+FP} ext{ }) 即 預測正確的部分 占 預測結果 的比例

(Recall=frac {TP} {TP+FN} ext{ }) 即 預測正確的部分 占 GroundTruth 的比例

3. IoU（Intersection over Union）

[IoU=frac {TP} {TP+FP+FN}
]

4. AP

(1) 找出 預測結果 中 TP（正確的正樣本） 和 FP（誤分為正樣本） 的檢測框

設置IoU的閾值，如IoU=0.5

IoU值大于0.5 預測結果 正確；否則， 預測結果 錯誤，如下圖所示

(IoU=frac {TP} {TP+FP+FN} gt 0.5) 預測結果：TP
(IoU=frac {TP} {TP+FP+FN} lt 0.5) 預測結果：FP

注意：這里的TP、FP與圖示中的TP、FP在理解上略有不同

(2) 計算 不同置信度閾值 的 Precision、Recall

a. 設置不同的置信度閾值，會得到不同數量的檢測框：

? 閾值高，得到檢測框數量少；

? 閾值低，得到檢測框數量多。

b. 對于 步驟a 中不同的置信度閾值得到 檢測框(數量)=TP(數量)+FP(數量)

c. 計算Precision，按照上面步驟(1)中使用IoU計算TP、FP的方法，將步驟b中的檢測框(數量)劃分為TP(數量)、FP(數量)

[Precision=frac {TP} {TP+FP}
]

d. 計算Recall，由于TP+FN是GroundTruth(即已知的檢測框的數量)，則可以得到：

[Recall=frac {TP} {TP+FN}
]

e. 計算AP，不同置信度閾值會得到多組（Precision，Recall）

假設我們得到了三組（Precision，Recall）：

（0.9, 0.2），（0.5, 0.2），（0.7, 0.6），如下圖中所示

AP=上圖中所圍成的面積，即 AP = 0.9 x 0.2 + 0.7 x 0.4 = 0.46

5. mIoU、mAP

IoU和AP是對一個類別所計算的結果，mIoU和mAP是所有類結果的平均值。

原文：https://www.pianshen.com/article/20801175613/

總結

以上是生活随笔為你收集整理的目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。