mmrotate：详细解读eval_map.py里面的计算TP和FP的代码，并计算虚警率和漏警率
如果需要计算虚警率和漏警率，那么就需要详细了解这个函数：tpfp_default。
在原始的代码中写了注释，方便大家阅读：
def tpfp_default(det_bboxes,
gt_bboxes,
gt_bboxes_ignore=None,
iou_thr=0.5,
area_ranges=None):
"""Check if detected bboxes are true positive or false positive.
先明白，这里的det已经是检测框了！这里的框已经经过了nms，也就是已经被nms的阈值过了一遍了，已经是最终结果了！所以这里的框要不就是对的，要不就是错的，不存在没用的这个选项！
Args:
det_bboxes (ndarray): Detected bboxes of this image, of shape (m, 6).
gt_bboxes (ndarray): GT bboxes of this image, of shape (n, 5).
gt_bboxes_ignore (ndarray): Ignored gt bboxes of this image,
of shape (k, 5). Default: None
iou_thr (float): IoU threshold to be considered as matched.
Default: 0.5.
area_ranges (list[tuple] | None): Range of bbox areas to be evaluated,
in the format [(min1, max1), (min2, max2), ...]. Default: None.
Returns:
tuple[np.ndarray]: (tp, fp) whose elements are 0 and 1. The shape of
each array is (num_scales, m).
"""
# an indicator of ignored gts
det_bboxes = np.array(det_bboxes)
gt_ignore_inds = np.concatenate(
(np.zeros(gt_bboxes.shape[0], dtype=np.bool),
np.ones(gt_bboxes_ignore.shape[0], dtype=np.bool)))
# stack gt_bboxes and gt_bboxes_ignore for convenience
gt_bboxes = np.vstack((gt_bboxes, gt_bboxes_ignore))
num_dets = det_bboxes.shape[0]
num_gts = gt_bboxes.shape[0]
if area_ranges is None:
area_ranges = [(None, None)]
num_scales = len(area_ranges)
# tp and fp are of shape (num_scales, num_gts), each row is tp or fp of
# a certain scale
tp = np.zeros((num_scales, num_dets), dtype=np.float32) #这个float类型！之后会变成0和1-----tp
fp = np.zeros((num_scales, num_dets), dtype=np.float32) #这个float类型！之后会变成0和1-----fp
# if there is no gt bboxes in this image, then all det bboxes
# within area range are false positives
if gt_bboxes.shape[0] == 0:
if area_ranges == [(None, None)]:
fp[...] = 1
else:
raise NotImplementedError
return tp, fp
ious = box_iou_rotated(
torch.from_numpy(det_bboxes).float(),
torch.from_numpy(gt_bboxes).float()).numpy() # 这个就是计算IOU，IOU是一个位于（0，1）之间的float类型的东西
ious_max = ious.max(axis=1) # 每一个检测框与所有gt比较，得到的最大IOU，这个是一个位于（0，1）之间的float类型的东西，也就是说，对于第i个det的最大iou就是ious[i]
ious_argmax = ious.argmax(axis=1) # 对于找到的那个最大的IOU，看看是哪个gt与之匹配，这应该是那个gt对应的id，反正就是一个指示是哪一个gt的identity，长度和gt一样
sort_inds = np.argsort(-det_bboxes[:, -1]) # 对于所有的预测框，按照分数进行降序排序，先从分最高的开始
for k, (min_area, max_area) in enumerate(area_ranges):
gt_covered = np.zeros(num_gts, dtype=bool) # 这个是某一个gt是否为cover到，也就是是否被预测到了，是一个bool类型的，与之前的gt_bboxes一一对应
# if no area range is specified, gt_area_ignore is all False
if min_area is None:
gt_area_ignore = np.zeros_like(gt_ignore_inds, dtype=bool)
else:
raise NotImplementedError
for i in sort_inds:
if ious_max[i] >= iou_thr: #就是，能进入这个if的，都已经是positive了，如果小于，那就认为是negetive(包括TN和PN)
matched_gt = ious_argmax[i] # 这个是匹配的gt的identity，这里是det匹配上的那【一个】gt,一个det只能有一个gt匹配上，但是一个gt可能不止被一个det盯上
if not (gt_ignore_inds[matched_gt]
or gt_area_ignore[matched_gt]):
if not gt_covered[matched_gt]: # 把当前的gt的id(也就是matched_gt)所对应的gt找到，如果这个gt没被标注过
gt_covered[matched_gt] = True # 那么这个gt就是和det匹配的，并记下这个gt是被匹配上了，后面的det如果也想找它匹配的话就都是FP!
tp[k, i] = 1 # 这个k是1，记录下当前这个det是TP
else: # 如果之前score更大的det已经找到了这个gt了（之前那个已经被标注成TP），那么这个就不对了，那就是FP！
fp[k, i] = 1 # 这个k是1，记录下当前这个det是FP
elif min_area is None:
fp[k, i] = 1
else:
bbox = det_bboxes[i, :5]
area = bbox[2] * bbox[3]
if area >= min_area and area < max_area:
fp[k, i] = 1
return tp, fp简单来说：如果一个det的IOU大于阈值，那么就先认为它是True，但有可能nms那一步的时候，用score筛选得不是很好，以至于好几个det同时框在了一个gt上，所以那些框的不是很好的det即使大于了iou阈值，也要被划成fp；另外，对于那些小于iou阈值的det，就全部划成了fp。对于那些置信度本来就小于score的det，就认为是negetive，也就是fp和tp全部赋为0。如果需要计算fn，那就用gt的数量减去tp就好~