使用Mxnet进行重构SSD(五)

        在进行训练与测试后，我们需要验证模型的鲁棒性，我们使用的是Voc数据集格式，即用VOCMap来评判模型。

        在讲述Map(Mean Average Precision)之前，我们先要讲述目标检测评估的指标为P-R曲线、AP、MAP。P为precision与R为Recall。

P-R曲线

对我们来说，P和R都为1的模型是最完美的，但实际情况却并不像我们想的那样，通过“P-R”曲线，对模型判断

为了防止极端小的P和R值影响我们对模型的判断，一般通过曲线下面积或P=R的平衡点作为判别标准。但是以平衡点判别被认为过于简单。因此2分类问题的性能度量选用F1值来判断，即(P和R调和平均数)

，由于F1对极端值比较重视，而几何平均数与算数平均数并不能表现其特性。

AP

案例：首先将测试用例，通过我们训练好的模型，得到每一个测试用例的scores以及label。对每一类的predict与groundTruth进行分析。首先对confidence score排序，然后选择TopK个样本进行分析。计算每一类的predictBox与GroundTruth的IOU，并选择适当的阈值通常使用0.5，IOU<0.5的均为背景类，为False Negative和True Negative>0.5的，识别正确被认为是真阳性(True Positive)，反之则是假阳性(False Positive)，然后根据置信度score分别对每一个predictBox计算是否匹配成功，从而计算每一类的precision与accuracy。

参考博客：https://blog.****.net/katherine_hsr/article/details/79266880