	GIOU	Objectness	Classification	Precision	Recall
简述	GIou损失函数。	目标检查度量	分类loss均值	准确率	召回率
度量	推测为GIoU损失函数均值，越小方框越准	推测为目标检测loss均值，越小目标检测越准	推测为分类loss均值，越小分类越准	结果正确率	召回率正确性
概述	是一种目标检测领域用于回归目标框损失函数	Objectness很高，这意味着图像窗口可能包含一个物体,允许我们快速地删除不包含任何物体的图像窗口。

指标概述：

在目标检测中，经常需要计算预测回归框和真实回归框的交并比（Intersection Over Union，IOU），也称重叠度,计算公式如下。

$IOU = \frac{预测回归框与真实回归框的交集}{预测回归框与真实回归框的并集}$

IOU实际上衡量了如上图A,B两个边界框重叠地相对大小，预测框和真实框重叠越大。我们希望A,B两个框越近越好，及IOU越大对应结果越好。

 def IoU(bbox, prebox):
    # bbox, prebox = [x,y,width,height]
    # bbox,prebox左上角坐标
    xmin1, ymin1 = int(bbox[0] - bbox[2] / 2.0), int(bbox[1] - bbox[3] / 2.0)
    xmax1, ymax1 = int(bbox[0] + bbox[2] / 2.0), int(bbox[1] + bbox[3] / 2.0)

    xmin2, ymin2 = int(prebox[0] - prebox[2] / 2.0), int(prebox[1] - prebox[3] / 2.0)
    xmax2, ymax2 = int(prebox[0] + prebox[2] / 2.0), int(prebox[1] + prebox[3] / 2.0)
    # 获取矩形框交集对应的左上角和右下角的坐标（intersection）
    xx1 = np.max([xmin1, xmin2])
    yy1 = np.max([ymin1, ymin2])
    xx2 = np.min([xmax1, xmax2])
    yy2 = np.min([ymax1, ymax2])
    # 计算两个矩形框面积
    bbox_area = (xmax1 - xmin1) * (ymax1 - ymin1)
    prebox_area = (xmax2 - xmin2) * (ymax2 - ymin2)
    inter_area = (np.max([0, xx2 - xx1])) * (np.max([0, yy2 - yy1]))  # 计算交集面积
    iou = inter_area / (bbox_area + prebox_area - inter_area + 1e-6)  # 计算交并比
    return iou

MAP(mean average precision)指标计算

多标签图像分类任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean accuracy，该任务采用的是和信息检索中类似的方法—mAP，虽然其字面意思和mean average precision看起来差不多，但是计算方法要繁琐得多,mAP 会统计所有 Confidence 值下的 PR值，而实际使用时，会设定一个 Confidence 阈值，低于该阈值的目标会被丢弃，这部分目标在统计 mAP 时也会有一定的贡献。

混淆矩阵(Confusion Matrix)相关

首先得了解下面4个参数

TP（True Postives）：分类器把正例正确的分类/预测为正例
FN（False Negatives）：分类器把正例错误的分类/预测为负例
TN（True Negatives）：分类器把负例正确的分类/预测为负例
FP（False Postives）：分类器把负例错误的分类/预测为正例

混淆矩阵要表达的含义： | |Positive | Negative| |---| ---| ---| |Postive | True Postive| False Negative | | Negative | False Postive | True Negative|

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；
每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目；每一列中的数值表示真实数据被预测为该类的数目
样例总数 = TP + FP + TN + FN

案例

已知条件:班级总人数100人，其中男生80人，女生20人。
目标:找出所有的女生。
结果:从班级中选择了50人，其中20人是女生，还错误的把30名男生挑选出来了。
求：计算 TP,FP,FN,TN？
P:预测为正例 N:预测为负例
TP = 20，FP = 30，FN = 0，TN = 50

Precision

Precision = $TP\div (TP + FP)$

在分类算法中，将分类正确的样本在所有样本中的数量比例称之为准确率。一般来说，对于数据分布均衡的样本，该指标能够正确地评估分类算法的分类效果，但是，当数据分布不均衡时，该指标便不能客观的反映分类算法的分类效果了。

举个简单的例子，假设，某专业有100个学生，其中有90个男生，10个女生。此时，数据分布是极不均衡的，如果分类算法预测该专业学生全为男生，即可达到90%的准确率，显然此分类算法明显是有极大缺陷的。故，当数据集的分布未知或分布不均衡时，请不要使用这个指标来评估分类算法的准确性。

Recall

Recall = $TP \div (TP + FN)$

在分类算法中，分类器认为是正确并且确实是正确的部分占所有确实是正类的比例，但是如果召回率是100%，就代表所有的正类都被分类器分为正类。如果召回率是0%，就代表没一个正类被分为正类。

AP 与 MAP

AP（Average Percision）：AP为平均精度，指的是所有图片内的具体某一类的PR曲线下的面积(横轴为Recall，纵轴为Precision)。
MAP: 是指所有图片内的所有类别的AP的平均值
AP衡量的是对一个类检测好坏，mAP就是对多个类的检测好坏。在多类多目标检测中，计算出每个类别的AP后，再除于类别总数，即所有类别AP的平均值，比如有两类，类A的AP值是0.5，类B的AP值是0.2，那么mAP=（0.5+0.2）/2=0.35。
mAP@0.5 & mAP@0.5:0.95：就是mAP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。

看到这，，，好人顺便帮忙点赞关注哈。感谢！