10.13日志__评估指标：mIoU（语义分割）、AP/APmask（实例分割）

一、mIoU（语义分割）

mIoU = mean Intersection over Union（平均交并比）
语义分割是给每个像素分类，比如这张图里哪些像素是“猫”、哪些是“狗”、哪些是“背景”。它不区分“第一只猫”和“第二只猫”，所有猫的像素都算“猫”这一类

IoU = 预测为猫 且 真实为猫 的像素数
      ─────────────────────────────────
      预测为猫 或 真实为猫 的像素数（并集）
IoU = TP / (TP + FP + FN)

直观理解：
IoU 范围 0~1，越大越好
mIoU = 0.5 意味着平均每个类别的预测区域和真实区域有一半重叠
每个类别权重相同，所以小类别（比如“行人”）和大类别（比如“天空”）一样重要
常见数据集：Cityscapes 上优秀模型 mIoU 约 80%+，PASCAL VOC 约 85%+

二、mIoU（语义分割）和 AP / APmask（实例分割 ）对比

	mIoU	AP / APmask
任务	语义分割	实例分割
评估对象	每个像素的类别	每个物体实例
是否区分个体	否	是
核心计算	每类 IoU 再平均	P-R 曲线下面积
IoU 作用	直接作为指标	作为命中判定阈值
关注点	像素分类覆盖率	实例检测+分割质量
典型数据集	Cityscapes, VOC	COCO, LVIS

APmask：每个物体画个 mask，按置信度排序，看在不同召回下精确率如何，算 P-R 曲线面积；用 mask 的 IoU 判断是否命中。
mask 是一张和原图同尺寸的二值图（矩阵），其中值为 1 的像素构成了这个物体。
但实际存储时，没人真的存一张 8×8 或 100×100 的全矩阵，太浪费空间。常用两种压缩方式：
RLE（游程编码）： 只存"从第几个像素开始，连续多少个 1"，长度和物体边界复杂度有关。
多边形：只存物体轮廓的几十个顶点，长度和物体形状复杂度有关。
这两种表示都不直接体现原图大小，所以容易让人以为"mask 就是物体那一小块"。但逻辑上，mask 仍然是定义在原图坐标系里的。

三、 AP / APmask（实例分割 ）

实例1: 类别=猫, mask=区域A, 分数=0.95
实例2: 类别=猫, mask=区域B, 分数=0.87
实例3: 类别=狗, mask=区域C, 分数=0.72
其中分数是模型前向传播时直接输出的一个数，表示模型认为“这里确实存在一个该类别实例”的置信度/概率

注意：每个实例 = 类别 + mask + 分数。其中类别 指的是语义类别，也就是“这东西是什么”。猫1 和猫2 在语义上都是“猫”，所以类别字段都写 猫。

区分猫1和猫2靠的是 mask，不是类别。流程：
1、模型输出一堆实例，每个带分数
2、按分数从高到低排序
3、依次拿每个实例和真实标注比 IoU
IoU ≥ 阈值 → TP
IoU < 阈值 → FP
没被匹配到的真实标注 → FN
4、每处理一个实例，就算一次 Precision 和 Recall
5、画 P-R 曲线，算面积 = AP