计算具有多个类别的目标检测任务的TP，FP，FN数量

问题描述

我正尝试计算具有两个类的对象检测任务的“真阳性”（TP），“假阳性”（FP）和“假阴性”（FN）数量。我以为：

TP-是具有联合交叉（IoU）>阈值，相同类别且仅是给定对象的第一次检测的检测
FP-是所有预测数减去TP数（FP = PRED-TP）
FN-是非基本事实的数量，应等于ALL_GTS-TP

基于上述内容，我编写了以下方法：

def detail_results(gts,model_pred,th):
TP = 0
FP = 0
FN = 0
GTS = 0
PRED = 0

for image_idx in range(len(gts)):
    gt = gts[image_idx]
    pred = model_pred[image_idx]
    GTS+=len(gt)
    PRED+= len(pred)
    IoUs = []
    IoU_idxs = []
    for d_gt in gt:
        founded = False
        for d_pred in pred:
            IoU = bb_intersection_over_union( d_pred[0:4],d_gt[0:4])
            if IoU != 0.0:
                # IoU bigger than threshold,same class,not double detection
                if IoU >= th and d_gt[4] == d_pred[4] and not founded:
                    TP+=1
                    founded = True
        # GT than was not founded 
        if not founded:
            FN+=1
FP = PRED - TP
return(GTS,PRED,TP,FP,FN)

位置：

gts 包含以下格式的地面真理边界框：[x1，y1，w，h，class]
model_pred 包含相同格式的模型预测
th 是IoU阈值
方法 bb_intersection_over_union 计算GT的IoU，预测边界框。

但是此方法返回的结果与Darknet framework中嵌入方法所计算的结果不同：

我在哪里弄错了？

您知道一些可以根据边界框坐标计算TP，FP和FN的库吗？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

confusion-matrix machine-learning python