目标检测评价指标详解：mAP、AP、FPS
目标检测评价指标详解：mAP、AP、FPS
在目标检测领域，评价一个检测模型的性能通常会从两个维度进行考量：精度和速度。精度反映了模型检测的准确性，而速度则体现了模型处理数据的效率。本文将详细介绍目标检测中常用的评价指标，包括精度评价指标（mAP、AP、Precision、Recall等）和速度评价指标（FPS），帮助读者全面理解这些指标的计算方法和实际意义。
精度评价指标
mAP（mean Average Precision）： 即各类别AP的平均值，用于评估整个数据集所有类别的检测性能。
AP（Average Precision）： PR曲线下面积，用于评估数据集中单个类别的检测性能。
PR曲线（Precision-Recall曲线）： 在不同Recall下，检测精度的平均值，可以综合反映检测器的准确率。
Precision（准确率）： 计算方式为TP / (TP + FP)，表示所有预测框中正确预测目标的框的占比，反映的是检测准确性。
Recall（召回率）： 计算方式为TP / (TP + FN)，表示所有Ground Truth中，被正确预测到的占比，反映的是检测器的召回能力。
TP（真正例）： IoU（Intersection over Union）大于等于阈值的检测框数量，同一Ground Truth只计算一次。
FP（假正例）： IoU小于阈值的检测框数量，或者是检测到同一个GT的多余检测框的数量。
FN（假反例）： 没有检测到的GT的数量。
注： 因为IOU阈值设置会影响TP、FP和FN值，所以以上指标都是针对某个IOU阈值下来说的。比如IOU阈值为0.8时mAP是多少，为了更加全面的评估检测器的性能，有时候在不同IOU阈值下统计AP，比如COCO数据集，设定多个IOU阈值（0.5-0.95,0.05为步长），在每一个IOU阈值下都有某一类别的AP值，然后求不同IOU阈值下的AP平均，就是所求的最终的某类别的AP值。
AP计算举例
假设测试集是下面三张图片，其中绿框为Ground Truth，红色框为目标检测结果。现在要计算猫这个类别的AP。IOU阈值设置为0.5。
1）统计检测框检测情况。按照置信度降序排序预测框。检测框和真实框计算IOU，判断检测框是否检测到目标。
2）根据目标检测框统计结果绘制PR曲线。统计每种置信度下的Precision和Recall，得到如下左表。比如当置信度为0.98时，此时只有一个检测框，TP=1, FP=0，FN=6, Precision=1，Recall=1/7=0.14。根据左表画出右图PR曲线。
3）计算PR曲线下面的面积，得到猫的平均准确率AP=0.6694