常见的评价指标有交并比(iou及改进)，准确率，精度，召回率，FPR，F1-Score，PR曲线-AP值，ROC曲线-AUC值，mAP值和FPS
✨ 1 交并比
假设有两个矩形，分别为A和B：
则交并比公式：
即A交B比A并B。
代码实现：
主函数
eps = torch.finfo(torch.float32).eps bboxes1_area = (bboxes1[..., 2] - bboxes1[..., 0]).clamp_(min=0) * (bboxes1[..., 3] - bboxes1[..., 1]).clamp_(min=0) bboxes2_area = (bboxes2[..., 2] - bboxes2[..., 0]).clamp_(min=0) * (bboxes2[..., 3] - bboxes2[..., 1]).clamp_(min=0) w_intersect = (torch.min(bboxes1[..., 2], bboxes2[..., 2]) - torch.max(bboxes1[..., 0], bboxes2[..., 0])).clamp_(min=0) h_intersect = (torch.min(bboxes1[..., 3], bboxes2[..., 3]) - torch.max(bboxes1[..., 1], bboxes2[..., 1])).clamp_(min=0) area_intersect = w_intersect * h_intersect area_union = bboxes2_area + bboxes1_area - area_intersect ious = area_intersect / area_union.clamp(min=eps)
bboxes1_area和bboxes2_area即bboxes1和bboxes2即面积。
w_intersect和h_intersect是bboxes1和bboxes2相交部分的宽和高，比如(torch.min(bboxes1[…, 2], bboxes2[…,2])即在x1_max和x2_max中找到较小的，即相交部分的右下角x轴坐标，其余同理。
area_intersect即计算相交面积。
area_union计算A并B的面积。 clamp函数规定下限。
👻 1.2 giou
✨ 2 precision（精度）和recall（召回率）
在论文里面经常会遇到precision（精度）和recall（召回率），下面进行介绍。
首先，我们要了解一下混淆矩阵，其中包含四个元素：
TP（True Positive）：真正例，即实际为正样本且被预测为正样本的数量。
FN（FalseNegative）：假反例，即实际为正样本但被预测为负样本的数量。
TN（TrueNegative）：真反例，即实际为负样本且被预测为负样本的数量。
FP（FalsePositive）：假正例，即实际为负样本但被预测为正样本的数量。
利用该混淆矩阵，可以==计算precision和recall==。 ****
precision表示模型预测为正类的样本中，实际上真正属于正类的比例，公式为：
精确率越高：说明模型在预测正类样本时的准确性越高，即预测为正类的样本中，真正属于正类的比例越大。这意味着模型在区分正类和负类方面表现得更好，误报率较低。但精确率忽略了实际为正类的样本中，被模型漏报（即预测为负类）的情况。
recall表示实际为正类的样本中，被模型正确预测为正类的比例，公式为：
召回率越高：说明模型在识别正类样本方面的效果越好，即实际为正类的样本中，被正确预测为正类的比例越大。这意味着模型在捕捉正类样本方面表现得更好，漏报率较低。但召回率忽略了模型预测为正类的样本中，实际上属于负类（即误报）的情况。
精确度和召回率之间的关系：
当精确度升高，即模型更加严格地预测正类时，可能将更多的正样本预测为负样本，那么实际为正样本中预测正确的就变少了，则召回率降低。
反之同理。
（这也体现了，两个各自忽略的即对方关注的）
✨ 3 AP和mAP
从第二节我们知道了精准度和召回率之间的关系，如上图PR曲线所示。
两个部分都有关注与忽略的地方，那么如何将两者结合平衡呢？
PR曲线下方的面积即是一种方案，称为AP值。
mAP就是对所有类AP值取平均值。
👻 3.1 具体计算
- 剔除类别置信度低的预测框（每个包含目标预测框都有一个包含目标类别的分数预测），一般为0.5。
- 计算预测框与GT的IOU。IOU>0.5设置为TP，IOU<=0.5设置为FP，没有检测到的GT的数量设置为FN
- 计算recall和precision
- 计算PR曲线面积，下面是一个计算示例（某点函数值代替某段函数值）
