目标检测：cocoeval中的evaluateImg，accumulate函数解析

coco数据集的评价指标的计算还是比较复杂的，代码写的也比较凝炼，最近要计算目标检测的混淆矩阵，我看mmdet的计算方式比较奇怪，本着P和R等计算方法要与coco官方对齐的目的，特地写此笔记对coco官方的计算方式进行深入理解。
其他相关优秀笔记：
COCO API-深入解析cocoeval在det中的应用

coco计算不同map有很多变量：iou阈值，目标的面积范围，最大检测框数量等。
coco首先使用cocoEval.evaluate() 函数进行匹配计算，然后使用cocoEval.accumulate()函数进行结果的累加

1. cocoEval.evaluate()

这个函数前面都是一些比较好理解的准备工作，传入参数，计算每张图，每一类中，gt和det两两之间的iou矩阵，存储在self.iou这个字典中，
字典有len(imgId)*len(catId)个key。然后就是调用evaluateImg这个函数了。

        self.evalImgs = [evaluateImg(imgId, catId, areaRng, maxDet)
                 for catId in catIds
                 for areaRng in p.areaRng
                 for imgId in p.imgIds
             ]

根据这个调用方式，以及该函数的return我们可以确定 self.evalImgs是一个长度为len(catId)*len(areaRng)*len(imgId)的列表，其每个元素是一个字典，包含det和gt的匹配信息。
接下来我们再看这个关键的evaluateImg函数

    def evaluateImg(self, imgId, catId, aRng, maxDet):
        '''
        perform evaluation for single category and image
        :return: dict (single image results)
        '''

该函数是为了在特定限制下对单幅图某一类的检测结果进行评估，传入了四个参数：

• imgId, 表示当前所处理图片的ID
• catId,表示当前处理的类别ID
• aRng,表示当前的面积范围，这是为了方便评估s，m，l三种尺度目标的检测效果
• maxDet，最大检测框数量限制

1. 函数首先在所有框中挑出imgId, catId的gt框和det框，并根据面积范围的限制设置该gt框是否应该ignore，并把满足面积范围的gt框排在前面，把score更高的det框也排在前面，还设置了该gt框的iscrowd标签，最后从self.ious中挑出imgId, catId的ious矩阵，注意这个最后的ious阵也是根据是否满足面积范围排序了
   self.ious是有n*c个key的字典，n代表图片总数，c代表数据的类别数，每个key所对应value是一个二维矩阵，每一列代表某个gt框与所有det框的交并比。这个字典是之前已经计算好的。该部分代码如下：

        p = self.params
        if p.useCats:
            gt = self._gts[imgId,catId]
            dt = self._dts[imgId,catId]
        else:
            gt = [_ for cId in p.catIds for _ in self._gts[imgId,cId]]
            dt = [_ for cId in p.catIds for _ in self._dts[imgId,cId]]
        if len(gt) == 0 and len(dt) ==0:
            return None

        for g in gt:
            if g['ignore'] or (g['area']<aRng[0] or g['area']>aRng[1]):
                g['_ignore'] = 1
            else:
                g['_ignore'] = 0

        # sort dt highest score first, sort gt ignore last
        gtind = np.<