Date: 2020-06-01

Author: CW

前言：

今天儿童节呢，本来想着请一天假小快乐一把，但还是忍住了这波任性，看来是长大了一点哈哈哈！既然如此，就更一篇文吧，这部分比较简单，仅仅是实现一个评价指标。本文解析的是评价指标 F1-Score 的源码实现，当然你也可以用其它的评价指标，萝卜青菜，各有所爱，顺便科普下 F1-Score，计算公式如下：

=

实质是精确率与召回率的调和平均数： ，它认为精确率与召回率同等重要，并且具有“短板效应”，两者之中值更低的那一项会占主导地位。

相关概念的理解可参考以下文章：

F1 score的意义

机器学习中的 F1-score

为什么要用 f1-score而不是平均值

---

F1-Score的计算

evaluate_method(i)

接着来看看该方法里面具体的操作。

evaluate_method(ii)

接下来主要是计算每个gt与预测多边形的IoU，若IoU大于预设的阀值，那么则将两者标记为已匹配，需要注意的是，已被匹配的多边形不会被二次匹配。

evaluate_method(iii) evaluate_method(iv)

最后将所有图片的统计结果返回。

evaluate_method(v)

细心又帅气/美丽的你/妳应该会发现在计算IoU进行匹配的过程中貌似有不妥——一个gt/预测结果被匹配后就不会再被匹配，那么就有可能导致好的预测结果会被差的给抑制掉了！是的，因此在使用该方法前需要对预测结果基于score进行排序，将置信度搞的预测结果排在前面，这样就会优先对好的预测结果和gt进行匹配。

---

多边形生成与IoU计算

多边形生成主要使用了shapely的几何库。

polygon_from_points

IoU的计算如下：

IoU计算

---

最后，祝大家儿童节快乐，谁还不是个宝宝呢！