pytorch 常用目标检测评价指标总结

1.对于是否正确预测，只用看T或F：
预测值为正例，记为P（Positive）
预测值为反例，记为N（Negative）
预测值与真实值相同，记为T（True）
预测值与真实值相反，记为F（False）
2.精确度：所有预测为正例中，正确预测的比例：
P=TP/NP+TP
3.正确率：所有预测结果中，正确的概率：很少用到
A= (TP+TN)/(TP+TN+FP+FN)
4.召回率（又名灵敏度TPR：有多少正例最终被预测出：（真实的正样本含FN
R=TP/(TP+FN)
5.所有负利中，FPR错误判断为正例的负例
FPR=FP/(TN+FP)
6.F1分数：前提是认为召回率和精确度同等重要，值在0和1之间，实际为精确率和召回率的调和平均数，思想是：待平均各项中，短板相对长板，对整体平均值影响更大。
F1 = 2TP/(2TP+FP+FN)

7.PR曲线:
精确率为纵坐标，召回率为横坐标绘制的曲线。

随着采用检测框数的增多，准确率下降，召回率提高，随之使用上述数据绘制一条曲线。
8.AP值：
由于框数是离散的，不同召回率下准确率的均值，为AP值。
9.MAP值：
对于多分类问题而言。每个类别AP值的均值构成MAP值。
10.ROC/AUC
ROC横坐标为FPR（所有负例中判正的比例）,纵坐标为TPR（召回率）
该曲线下面具为AUC（Area Under roc Curve）随机分类器该值为0.5;AUC的值介于0到1之间。
当FPR值越小，TPR越大（即AUC面积越大），就说明分类器的性能越好。