Python 如何在单个类模型中计算多个边界框的准确性、精确度和召回率，而无需对象性得分

我试图分析我的目标检测模型的性能。如果模型本身在单个类上进行训练，则它会生成其“认为”是输入图像中指定类（即字母“a”）的输出。现在，我有预测边界框和地面真值框的输出，但我不确定如何生成有形的度量

某些图像的多个预测输出如下所示，其中每一行都是单独的预测

['449, 297, 449, 269, 502, 269, 502, 297',
 '226, 360, 193, 360, 193, 335, 226, 335',
 '248, 363, 248, 338, 285, 338, 285, 363']

地面真相框的格式相同，其中每一行都是一个单独的已确认实例

['420,296,479,295,478,264,419,265']

---

我的想法是，我将有一个双循环，通过特定图像的预测框，然后是相同图像的地面真相框。在这个循环中，我计算IOU，如果计算值高于某个阈值，我会认为它是成功的。但是，我担心这是错误的方法，或者我正在重新发明轮子。

我也有同样的情况。我迭代每个地面真相边界框，并计算每次检测的IOU。如果IOU高于0.5，我将检测分配给地面真相。然后我想通过计算真阳性和假阳性等来计算准确度和召回率，但我仍然不确定具体怎么做。@Sandrogo我最终从这份报告中删除了很多代码。如果你得到它或需要帮助，请告诉我。我也有同样的情况。我迭代每个地面真相边界框，并计算每次检测的IOU。如果IOU高于0.5，我将检测分配给地面真相。然后我想通过计算真阳性和假阳性等来计算准确度和召回率，但我仍然不确定具体怎么做。@Sandrogo我最终从这份报告中删除了很多代码。如果你拿到了或者需要帮助，请告诉我。