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，而對某個不常見類別的ap很低，那麼綜合來講，這個檢測器的效能並不高。
之前提到，ap是p-r曲線的下方面積。
precision和recall是一對矛盾的度量。例如，若希望recall盡可能的高，則可通過降低的標準來實現，但這樣precision就會較低；若希望precision盡可能的高，則公升高標準可以實現，但這樣就難免會淘汰掉一些還可以的檢測框，使得recall降低。因此，給定某個iou閾值和某個類別，可以將檢測框按置信度排序，並擷取不同數量的檢測框（前1,前2,…,前n），並計算此時的precision和recall點，就可以得到一系列點，就可以畫出p-r曲線。
這一節具體來看看給定某個iou閾值和某個類別，具體怎麼計算recall和precision。
遍歷完成後，我們就知道了所有dts中，哪些是tp，哪些是fp，而由於被匹配過的gt都會「被取走」，因此gts中剩下的就是沒有被匹配上的fn（false negative）。可以參照以下**進行理解：
到這裡為止，已經從外到裡分析了一下mmap的計算方式：給定乙個iou閾值，給定乙個類別，計算不同檢測框數目對應的precision和recall，進而得到ap，所有類別ap求均值得到map，不同iou閾值下的map取均值就會得到mmap。
當然，裡面的一些細節知識還未深究，這都需要從**中獲取，下次再記。
**經典目標檢測評價指標–mmap（一）
目標檢測指標mmap學習
目標檢測評價指標（mAP P R曲線 IOU）
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 nega...
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...