3. 感知层KPI - 目标检测：检测精度（Precision/Recall）、平均精度（mAP）、交并比（IoU）、漏检率/误检率
好，咱们进入感知层最核心的一块——目标检测。
说实话，我在ADAS行业摸爬滚打这么多年，见过太多项目在感知这块翻车。有的车明明前面有行人，系统就是没检测到；有的更离谱，把路边的垃圾桶当成了小孩。这些问题的根源，说白了就是目标检测的KPI没定好，或者测得不严。
今天我就把这块掰开揉碎了讲。你搞懂了这些指标，才算真正入了ADAS感知的门。
3.1 交并比（IoU）—— 检测框的“准头”
先聊IoU。这玩意儿是所有检测指标的基础。
IoU的全称是Intersection over Union，中文叫交并比。它衡量的是你预测的框和真实框（Ground Truth）之间重合的程度。
公式很简单：
IoU = (预测框 ∩ 真实框的面积) / (预测框 ∪ 真实框的面积)打个比方，你拿个圈去套地上的一个点。圈套得越准，重合面积越大，IoU就越高。如果完全重合，IoU就是1；如果完全没挨着，就是0。
实际项目中的阈值设定
在ADAS里，我们通常不会要求IoU=1，那太理想了。一般会设个阈值，比如0.5或0.7。
- IoU ≥ 0.5：算检测成功。这是比较宽松的标准，适合早期验证。
- IoU ≥ 0.7：算精确检测。这是量产项目的常见要求。
- IoU ≥ 0.9：算高精度。一般用于泊车这类对位置极其敏感的场景。
我的经验
我曾经在一个AEB项目中，把IoU阈值从0.5提到0.7，结果误检率直接翻了一倍。为什么？因为很多原本“勉强算对”的检测框，现在被判为错了。所以阈值不是越高越好，得结合场景来调。
3.2 检测精度（Precision）与召回率（Recall）—— 一对“冤家”
有了IoU，我们就能判断每个检测框对不对。但光看单个框还不够，得看整体表现。这就引出了Precision和Recall。
这两个指标，你想想看，其实是一对矛盾体。
- Precision（精度）：你检测出来的目标里，有多少是真正对的？公式：TP / (TP + FP)。说白了就是“我报的准不准”。
- Recall（召回率）：所有真实的目标里，你检测出来了多少？公式：TP / (TP + FN)。说白了就是“我漏没漏”。
这里有几个关键概念：
- TP（True Positive）：正确检测。IoU超过阈值，且类别也对。
- FP（False Positive）：误检。检测到了，但实际没有这个目标，或者类别错了。
- FN（False Negative）：漏检。实际有目标，但系统没检测到。
- TN（True Negative）：正确未检测。这个在目标检测里用得少，因为背景太多了。
注意！
Precision和Recall是相互制约的。你提高Precision（只检测最有把握的），Recall就会下降（漏掉很多）。反过来，你想提高Recall（尽量不漏），Precision就会下降（误报增多）。
我见过一个团队，为了追求Recall，把检测阈值降到极低。结果呢？车在路上跑，系统每隔几秒就报一次“前方有障碍物”，其实只是路面的一个阴影。驾驶员直接关掉了系统。
3.3 平均精度（mAP）—— 综合实力的“成绩单”
Precision和Recall是一对，但光看一个点不够。比如你设定IoU=0.5，Precision=0.9，Recall=0.8。这看起来不错，但换个阈值呢？可能就崩了。
所以业界引入了mAP（mean Average Precision）。
mAP的计算分两步：
- 画PR曲线：改变检测的置信度阈值，得到一系列(Recall, Precision)点，连成曲线。
- 计算AP：PR曲线下的面积，就是AP（Average Precision）。
- 取平均：对所有类别（行人、车辆、自行车等）的AP取平均，就是mAP。
mAP越高，说明你的模型在不同阈值下表现都稳定。我个人习惯，量产项目至少要求mAP ≥ 0.7（在COCO标准下）。
ADAS场景下的mAP要求
| 场景 | 推荐mAP（IoU=0.5） | 说明 |
|---|---|---|
| 高速公路巡航 | ≥ 0.8 | 目标相对简单，要求高精度 |
| 城市道路 | ≥ 0.7 | 场景复杂，目标多样 |
| 泊车场景 | ≥ 0.6 | 近距离，对位置精度要求更高 |
| 夜间/雨雾 | ≥ 0.5 | 条件恶劣，能检测到就算不错 |
3.4 漏检率与误检率—— 安全与体验的“天平”
最后聊两个工程上最直接的指标：漏检率和误检率。
- 漏检率（Miss Rate）：FN / (TP + FN)。说白了就是“该检的没检出来”。
- 误检率（False Positive Rate）：FP / (FP + TN)。说白了就是“不该检的检出来了”。
在ADAS里，这两个指标直接关系到安全性和用户体验。
安全第一
对于AEB（自动紧急制动）这类功能，漏检率是绝对不能高的。你想想，如果前面有个小孩，系统漏检了，那后果不堪设想。所以AEB的漏检率通常要求 < 1%。
但误检率呢？如果系统动不动就急刹车，驾驶员肯定骂娘。所以误检率也得控制，一般要求 < 0.1% 或更低。
我的避坑指南
我曾经在一个项目中，为了降低漏检率，把检测阈值调得很低。结果误检率飙升，系统在高速上频繁报警。最后我们不得不重新标定，找到一个平衡点。
我的建议是：先定安全指标（漏检率上限），再优化体验指标（误检率下限）。安全永远是红线。
3.5 小结—— 这些指标怎么用？
好了，咱们捋一下：
- IoU：判断单个检测框准不准。
- Precision/Recall：看整体检测的“准”和“全”。
- mAP：综合评估模型在不同阈值下的表现。
- 漏检率/误检率：直接对应安全性和用户体验。
在实际项目中，我一般会这样用：
- 先定IoU阈值（比如0.5或0.7）。
- 用mAP评估模型整体水平。
- 针对关键场景（如行人、自行车），单独看漏检率和误检率。
- 反复调参，直到安全指标达标，体验指标可接受。
嗯，这就是目标检测KPI的核心。下一章咱们聊聊分类和跟踪的指标，那个更有意思。