一、前言
前面学习了coco数据集但是不知道它的评价指标，所以写下来作为自己的笔记，以后还是直接在这写好再保存到自己的本地笔记中。
二、评价指标的一些概念
2.1.一些概念
2.2.概念介绍
举例，在如下图中：
只有IOU大于0.5的才会被计算为TP检测框，在上图中cat0.9的框与Ground Truth的IOU大于0.5，所以可以记录为TP,而相反cat0.3的框与Ground Truth的IOU小于0.5,因此只能计算为FP。对于右下角的ground truth并没有框检测到这个cat，因此应该记为FN。
查准率Percision是用来衡量模型预测的所有目标中预测正确的比例，但是单独一个它还不能作为目标检测的评价指标，例如因为当检测一张图里的五个目标时，如果只有一个IOU>0.5的框，这也会使查准率为100%但显然这是不合理的。
查全率Recall是用来衡量所有真实目标中，模型预测的正确比例。同样的单独使用Recall也不能单独作为评估指标。例如，在下图中有很多个框没有漏检，查全率为100%，这显然也不可以单独作为评估指标。
因此必须同时使用两个指标来衡量。P-R曲线下面会介绍，我们先通过一个案例来求解MAP。MAP是多个类别AP的平均值。
2.3.MAP求解
假设我们需要评估的三张图片如上，对于猫这个类别，我们可以计算它的AP有：
1）第一张图片预测结果
对于这张图片有两个预测的目标，GTID表示预测的目标ID,confindence表示预测的概率，OB为GTbox与Predicted box的IOU。
2）第二张图预测结果
num_ob是预测的对象个数，叠加得到，因为前面图像中有两个对象加上这张图的一个叠加为3个。表格是根据Confidence从大到小排序的。
3）第三张图预测结果
最终得到三张图里面共七个对象的统计结果。
根据设置不同的Confidence,来求Percision and recall。
分别设置不同的Confidence得到结果，例如，如果以预测概率大于0.66的框代表检测到，则有：总共有5个框满足条件，其中TP = 4, FP为1， FN为7-4 = 3
最终得到：
接下来以Recall为横坐标，precision为纵坐标画图，这就是前面提到的P-R曲线，可以计算它的面积。
PS: 相同的Recall只会保留最大的Precision的那一个，也就是只会保留图中所示有方框的5个点。最后计算面积即可，有一点注意就是实际上计算的是每一个小矩形的面积，宽为相邻的两个点的recall差，高为从该点开始往后的所有的precision最大的值。
三、理解CoCo的评价指标
以上为官方评估标准
对于Average Precision(AP) 在CoCo数据集中，Average Precision主要使用的是第一个AP,也即计算IOU从0.5到0.95，间隔0.05的十个IOU来计算十个MAP，再取平均值得到CoCo的主要评估指标AP。PASCAL VOC以IOU为0.5对应的是第二个指标，第三个是以IOU为0.75的指标，更加严格。
对于AP Across Scales 是用来统计大小不同的目标的，根据他们的大小来统计。
对于Average Recall 主要用来限定一张图像里面可以检测到的目标数。
其他的更多的可以到CoCo的官方网站进行查看。
四、总结
主要是学习B站导师霹雳吧啦WzUP主的视频讲解做的笔记，方便自己可以不看视频更加方便的及时巩固复习。
五、学习视频、Coco官方地址
B站导师霹雳吧啦WzUP主的视频地址：https://www.bilibili.com/video/BV1ez4y1X7g2/?spm_id_from=333.999.0.0&vd_source=6f62aba02fc9ac56aa9063bbce87d3a7
CoCo官方地址：
https://cocodataset.org/#detection-eval