对比同一图像两组Ground Truth，计算FP、FN、TP并验证标注覆盖性

核心定义 #

先明确统计指标的含义：

• True Positive (TP)：新标注（红框）与原Ground Truth（绿框）匹配成功的标注（即新标注正确覆盖了原有目标）
• False Positive (FP)：新标注中无对应原Ground Truth的标注（即误标了不存在的目标）
• False Negative (FN)：原Ground Truth中未被新标注匹配到的标注（即漏标了原有目标）

匹配规则 #

判断两个标注框是否匹配，通用标准是交并比（IoU）：计算红框与绿框的IoU值，当IoU ≥ 设定阈值（常规取0.5，可按需调整）时，判定为一对匹配标注。

单张图统计步骤 #

1. 整理集合：把原绿框全部列出为集合G，数量记为len(G)；新红框列出为集合D，数量记为len(D)
2. 匹配计数：
   • 遍历每个绿框，找到对应IoU达标红框，每匹配成功一对，TP加1，同时从D中移除该红框（避免重复匹配）
   • 遍历结束后，G中未匹配的绿框数量即为FN；D中剩余未匹配的红框数量即为FP
3. 验证覆盖性：若FN=0，说明新标注包含全部原Ground Truth；否则存在漏标

示例演示 #

假设：

• 原绿框共5个，新红框共6个
• 匹配成功4对（TP=4）
• 剩余1个绿框未匹配（FN=1）
• 剩余2个红框未匹配（FP=2）
  结果：新标注未覆盖全部原标注，最终指标为TP=4、FP=2、FN=1

工具辅助脚本（可选） #

如果不想手动计算IoU，可使用以下Python脚本快速统计：

def calculate_iou(box1, box2):
    # 框格式：[x1, y1, x2, y2]（左上角、右下角坐标）
    x1 = max(box1[0], box2[0])
    y1 = max(box1[1], box2[1])
    x2 = min(box1[2], box2[2])
    y2 = min(box1[3], box2[3])
    
    intersection = max(0, x2 - x1) * max(0, y2 - y1)
    area1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
    area2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
    union = area1 + area2 - intersection
    
    return intersection / union if union != 0 else 0

# 替换为你的标注框数据
ground_truth = [[10,10,50,50], [60,60,100,100]]
new_annotations = [[12,12,52,52], [65,65,105,105], [110,110,150,150]]
iou_threshold = 0.5

tp_count = 0
matched_new_indices = set()

# 匹配原框与新框
for gt_box in ground_truth:
    for idx, new_box in enumerate(new_annotations):
        if idx not in matched_new_indices and calculate_iou(gt_box, new_box) >= iou_threshold:
            tp_count += 1
            matched_new_indices.add(idx)
            break

fn_count = len(ground_truth) - tp_count
fp_count = len(new_annotations) - len(matched_new_indices)

print(f"TP: {tp_count}, FP: {fp_count}, FN: {fn_count}")

内容的提问来源于stack exchange，提问作者Kapil Dev