1. 数据集

1.1 PASCAL VOC 数据集

[点击链接跳转](http: // host.robots.ox.ac.uk/pascal/voc/voc2012/)

1.2 MS COCO 数据集

[点击链接跳转](http: /lcocodataset.org/)

2. 目标检测性能指标

2.1 检测精度和速度

2.2 混淆矩阵

对分类用混淆矩阵来衡量

True Positive（TP）：真正类。样本的真实类别是正类，并且模型识别的结果也是正类。

False Negative（FN）：假负类。样本的真实类别是正类，但是模型将其识别为负类。

False Positive（FP）：假正类。样本的真实类别是负类，但是模型将其识别为正类。

True Negative（TN）：真负类。样本的真实类别是负类，并且模型将其识别为负类。

该矩阵可用于易于理解的二类分类问题，但通过向混淆矩阵添加更多行和列，可轻松应用于具有3个或更多类值的问题。

一个简单的例子：检测苹果（P）或者橘子（N）

TP：实际是苹果预测也是苹果

TN：实际是橘子预测也是橘子

FP：实际是橘子预测是苹果

FN：实际是苹果预测是橘子

2.3 交并比

蓝色框是真实值，橘色框是预测值；两框重叠度越高越精准

简单来讲就是可以用阈值判断检测是否有效

1. 如果lou≥o.5，将对象检测归类为真阳性(TP)。
2. 如果lou<0.5，则错误检测，并将其归类为假阳性(FP)。
3. 当图像和模型中存在地面真值时，将其分类为假阴性(Fn)。
4. TN是图像的每个部分，我们没有预测一个物体。这些度量标准对于对象检测并不有用，因此我们忽略了TN。

2.4 AP&MAP

在COCO数据集上，MAP有自己的定义，有10个步长为0.05的iou阈值，取平均值就为上式所示。

精度、召回率及其尺寸

2.4.1 例子（计算AP）

2.4.2 11点法（2010年之前）

2.4.3 积分法AUC（2010年之后）

2.4.4 小结

2.5 检测速度（ms、FPS、FLOPS）