在不同得应用情景下采用不同得模型评价指标对于客观得比较模型性能十分重要。
true positive (TP) 对象本来是正例,识别为正例
false positive (FP) 对象本来是正例,识别为负例
true negative (TN) 对象本来是负例,识别为负例
false negative (FN) 对象本来是负例,识别为正例
precision表示在识别出得正例中,正真正例的比例
recall 表示在识别出的正确的正例中占真正所有的正例的比例
IOU表示预测边框和真实边框的交并比例。
AP(average precision): 是precision-recall曲线与两个坐标轴围城的面积;
mAP(mean average precision) :目标检测中定义的mAP最先在PASCAL VisualObjects Classes(VOC) challenge中使用,mAP就是AP的平均值,当然在某些情况下,mAP的计算可能会发生一些变化。
AP衡量的是学出来的模型在单个类别上的好坏。mAP衡量的是模型在所有类别上的好坏。
更详细可以看这儿:目标检测评价指标:mAP、Precision、Recall、AP、IOU等