rafaelpadilla/Object-Detection-Metrics

解决的问题

该项目解决了物体检测评估指标缺乏共识以及实现一致指标的困难。研究人员在使用主要竞赛以外的数据集时，常常需要自行实现评估指标，这可能导致结果出现偏差或错误。该工具包提供了灵活且标准化的流行指标实现，确保在不同方法和数据集之间进行可信的基准测试。

如何工作

该工具包提供了易于使用的函数，实现主要竞赛（如 PASCAL VOC 和 COCO）中使用的指标，而无需用户将检测模型的输出转换为复杂的 XML 或 JSON 格式。它简化了真实边界框和检测边界框的输入流程，并计算以下关键性能指标：

• 交并比（IOU）： 衡量预测边界框与真实边界框之间的重叠程度，以判断检测结果是真正例（TP）还是假正例（FP）。
• 精确率和召回率： 分别计算模型识别相关对象的能力以及发现所有相关情况的能力。
• 精确率 × 召回率曲线： 绘制置信度阈值变化时的性能表现。
• 平均精度（AP）： 使用 11 点插值或所有点插值方法计算精确率 × 召回率曲线下的面积。

适用人群

专为需要在各种数据集上可靠评估模型准确性的物体检测算法研究人员和开发者设计。

主要亮点

• 竞赛标准指标： 实现了 PASCAL VOC、COCO 和 Google Open Images 使用的指标。
• 简化输入： 无需进行复杂的输入格式转换（如 XML 或 JSON）。
• 验证的准确性： 实现结果已与官方竞赛代码对比，确保完全一致。
• 灵活插值： 支持平均精度的 11 点插值和所有点插值两种方法。