计算某个类别的P-R曲线

先了解一下这几个概念

TP（True Positive）：对groundtruth 正确检测或者是预测框体与GT框体的阈值大于预设的阈值

FP(False Positive) :对不存在的东西做了错的检测或是预测的IoU小于预设的阈值

FN(False Negative)：没有检测到的GT的数量

查准率和查全率：
Precision 查准率：TP/(TP+FP)   模型预测的所有目标中，预测正确的比例

Recall 查全率：TP/(TP+FN)   所有真实目标中，模型预测正确的目标比例

AP：P-R曲线下的面积

P-R曲线：Precision-Recall 曲线

我们以猫类别为例，假设模型已经训练好了，验证集就是这三张图片

 对于第一张图片，我们将它的检测结果给记录成一个表格，表格中记录每个GT ID,每个检测框的置信度，还有预测框与GT的交并比是否大于设定的阈值，同时记录一下GT的数量num_ob，表格中的置信度按降序排列

对于第二张图片，执行相同的操作，结果如下：

第三张图片，执行与第一张图片相同的操作结果如下：

 这样我们就将模型的检测结果记录下来，得到一个表格，有了这个表格之后，我们就来计算一下针对confidience取不同的阈值所得到的Precision 和Recall的信息

 首先取confidence取大于等于0.98，计算Precision和Recall,下图是计算结果

 我们将confidence取大于等于0.89，计算Precision和Recall

 接下来取confidence大于等于0.88，再取confidence大于等于0.78，以此类推，直到计算完整个表格

全部计算之后，我们就能得到一系列的Precision和Recall，我们就以Recall 为横坐标，Precision为纵坐标就能得到一个P-R曲线，需要注意的是，对于横坐标Recall，需要滤除一些重复的信息，比如说，对于Recall等于0.57 的情况，我们这个表格里面有三个值，我们只需要保留Precision 值最大的情况

 我们就可以计算P-R曲线下的面积了，用阴影部分框住的面积呢就是AP了，也就是对于猫这个类别的AP结果。

我们常说的mAP 就是各类别AP的平均值。

此文借鉴：目标检测mAP计算以及coco评价标准_哔哩哔哩_bilibili