1. TP TN FP FN
GroundTruth 預測結果
TP（True Positives）： 真的正樣本 = 【正樣本 被正確分為 正樣本】
TN（True Negatives）： 真的負樣本 = 【負樣本 被正確分為 負樣本】
FP（False Positives）： 假的正樣本 = 【負樣本 被錯誤分為 正樣本】
FN（False Negatives）：假的負樣本 = 【正樣本 被錯誤分為 負樣本】
2. Precision（精度）和 Recall（召回率）
\(Precision=\frac {TP} {TP+FP} \text{ }\) 即 預測正確的部分 占 預測結果 的比例
\(Recall=\frac {TP} {TP+FN} \text{ }\) 即 預測正確的部分 占 GroundTruth 的比例
3. IoU（Intersection over Union）
4. AP
(1) 找出 預測結果 中 TP（正確的正樣本） 和 FP（誤分為正樣本） 的檢測框
設置IoU的閾值，如IoU=0.5
IoU值大於0.5 預測結果 正確；否則， 預測結果 錯誤，如下圖所示
- \(IoU=\frac {TP} {TP+FP+FN} \gt 0.5\) 預測結果：TP
- \(IoU=\frac {TP} {TP+FP+FN} \lt 0.5\) 預測結果：FP
注意：這里的TP、FP與圖示中的TP、FP在理解上略有不同
(2) 計算 不同置信度閾值 的 Precision、Recall
a. 設置不同的置信度閾值，會得到不同數量的檢測框：
閾值高，得到檢測框數量少；
閾值低，得到檢測框數量多。
b. 對於 步驟a 中不同的置信度閾值得到 檢測框(數量)=TP(數量)+FP(數量)
c. 計算Precision，按照上面步驟(1)中使用IoU計算TP、FP的方法，將步驟b中的檢測框(數量)划分為TP(數量)、FP(數量)
d. 計算Recall，由於TP+FN是GroundTruth(即已知的檢測框的數量)，則可以得到：
e. 計算AP，不同置信度閾值會得到多組（Precision，Recall）
假設我們得到了三組（Precision，Recall）：
（0.9, 0.2），（0.5, 0.2），（0.7, 0.6），如下圖中所示
AP=上圖中所圍成的面積，即 AP = 0.9 x 0.2 + 0.7 x 0.4 = 0.46
5. mIoU、mAP
IoU和AP是對一個類別所計算的結果，mIoU和mAP是所有類結果的平均值。