目标检测和实例分割已经是计算机视觉中一个基础应用了，随着深度学习的发展，目标检测领域也是取得显着的进步。通常，衡量一个目标检测或者分割算法的精度那就是一个指标：mAPmAP
首先计算Precision和Recall
对于不同的IoU，IoU > {0,0.1,0.2...0.9,1.0}，分别计算True/False Positive/Negtive
Precision = True Positive/(True Positive + False Positive)
Recall = True Positive/(True Positive + False Negtive)
对于不同IoU阈值的时候
True Positive = IoU大于阈值的时候检测出来的目标数量
mAP指标存在许多的缺点，其中很重要的一点就是它的复杂性。它被定义为不同目标PR曲线与坐标轴包围的面积的平均值，通过IoU阈值来判断是否分类成功。不同的IoU阈值得到的指标又是不同的，所以coco又提出一种新的方法，mAP0.5：0.95。这样通过分别计算不同阈值下的mAP，再做平均，看起来就更科学一些了。
目标检测中的mAP含义[1]
尽管这种计算方法可以反映出检测器的性能，但是当我们要去分析误检情况的时候，mAP就给不了任何参考信息了。mAP很简洁地概括了一个模型的性能，但是很难将误检的情况与mAP分开，误检可能是重复检测，错误分类，错误定位等，所以仅凭mAP是很难诊断检测器性能的
知乎上讨论mAP是否科学的一个问题[2]
另外，mAP只能说通过一个通用的指标来衡量检测器性能好坏，但是在不同的应用领域，其好坏不能一概而论。例如，目标检测在医学领域中的应用，医生更倾向于检测结果分类的准确性，bbox稍微偏一些没关系；在机器人或自动驾驶领域，更加倾向于bbox位置要准，以便于位置信号处理，例如机器手的抓取。
TIDE
TIDE[3],这篇文章中总结了，一个完整的目标检测性能评估工具包应该包括以下几个方面
•精简总结错误类型，以便一眼就能进行比较•每一种错误类型应该被完全隔离，不具有耦合性•不依赖于数据集格式，可以跨数据集比较•可以根据需要进行更精细的分析，从而隔离错误原因分析
TIDE其实就是一个工具包，目前已经开源，github链接[4]
此工具包将误检情况分为了几个类别，Classification Error，Localization Error，Both Cls and Loc Error，Duplicate Detection Error，Background Error，Missed GT Error
针对不同的算法，可以输出详细的对比数据图标
安装
pip install tidecv
使用
from tidecv import TIDE, datasetstide = TIDE()tide.evaluate(datasets.COCO(), datasets.COCOResult("path/to/your/results/file"), mode=TIDE.BOX)tide.summarize()tide.plot()
运行之后，就会在终端打印出信息和绘制出图表
TIDE目前支持的数据集格式有COCO，LVIS，PascalVOC，Cityscapes
后面会提供处理自定义数据集格式的api
References
[1]目标检测中的mAP含义:/question/53405779/answer/419532990[2]知乎上讨论mAP是否科学的一个问题:/question/337856533/answer/805122425[3]TIDE:https://dbolya.github.io/tide/paper.pdf[4]github链接:/dbolya/tide
