一、什么是目標檢測
即用框（bounding box）標出物體的位置，並給出物體的類別
一些數據集介紹：
PASCAL VOC數據集http://host.robots.ox.ac.uk/pascal/VOC/ 20類物體
COCO數據集 http://cocodataset.org/#home 80類物體
二、IoU介紹
IoU：Intersection over Union，交並比。
解釋：
1.綠色框為我們認為標定的框。
2.紅色框為預測的框。
3.我們計算兩個框的交集和並集。
4.交集/並集就是IoU。
三、PR曲線繪制
PR曲線：precision-recall curve。用於評價檢測器性能。
PR曲線如何繪制：
如上圖所示，我們給定了3個人工繪制的框（綠色）：
檢測器輸出了5個紅色框：
其中得分表示檢測器框住的東西是人的概率。我們先將其按這個得分排序：
排好序后，我們按得分從高到低，將框與人工繪制的框進行計算IoU，當IoU大於一個閾值時，我們打上TP的標簽。
注意：每個綠色框只能匹配一次，例如1號紅框與1號綠框匹配，IoU=0.9，那么1號紅框標注TP，為真正例。2號紅框也與1號綠框匹配，IoU=0.8，此時只能標注其為FP，即假正例。在這種情況下，上表中出現TP的個數最多就等於3。也就是說召回率最大不能超過1。
准確率（Precision）和召回率（Recall）：
我們設定不同的閾值，在每一個閾值情況下計算P和R的值，並繪成PR曲線：
解釋：
1.由於檢測器輸出只有5個框，最低得分是0.7，假設閾值為低於0.7，例如取0.6。計算P=3/5=0.6，R=3/3=1。
2.假設閾值為0.7。P=3/4=0.75，R=3/3=1。
3.假設閾值為0.8。P=3/3=1，R=3/3=1。
4.假設閾值為0.9。P=3/3=1，R=2/3=0.67。
5.假設閾值為0.9。P=3/3=1，R=1/3=0.33。
畫成PR曲線，如下圖：
直觀理解：
假設我們在這個例子中，檢測器輸出了很多很多紅色框，例如100個框，他們的得分從高到低排列。假設我們將閾值取得很低，例如0.3，那么大量的框很有可能包含了所有需要檢測的物體（例如30個物體），那么Recall就為1（Recall就是一共需要檢測的物體中，我們檢測到了的比例）。但是，由於大量的框大部分都是不准確的（只有30個框是准確框住了物體），那么准確率（Precision）就非常低（只有30%）。
反之，我們將閾值設置得非常高，例如0.95，那么排在前面3位的框確實框住了物體，但是需要檢測的物體可能有30類，雖然這3個框都框住了物體（Precision為1），但是召回率卻只有3/30=10%。
如何使用PR曲線評價一個檢測器：
我們采用PR曲線下面所包含的面積大小來評價一個檢測器，面積越大，檢測器越好。
看下面這個情況：
排名第一的紅框沒有框住物體，這種情況下他屬於假正例（FP），那么這種情況下得PR曲線如右邊所示，當閾值為0.9時，Precision和Recall都為0。