目标检测算法常用评价指标

1、精确率：你认为的正样本，有多少猜对了（猜的精确性如何）

2、召回率：正样本有多少被找出来了（召回了多少）

Precision = tp / (tp+fp)，表示在识别出的目标中，TP所占的比率。n=（tp+fp)，n表示一共识别出来多少目标，即预测为目标的数量

eg：tp=3，fp=1，Precision=3/(3+1)=0.75，表示在识别出来的目标中，目标占75%

 

Recall = tp / (tp+fn)，表示正确识别出来的目标个数与测试集中所有目标的个数的比值。m=(tp+fn)，m表示一共有多少目标个数，即标注为目标的数量

eg：tp=3，fn=2，Recall=3/（3+2）=0.6，表示在所有的目标中，60%的目标被正确的识别成目标

 

Precision-Recall曲线：

       如果想评估一个分类器的性能，一个比较好的方法就是：观察当阈值变化时，Precision与Recall值的变化情况。如果一个分类器的性能比较好，那么它应该有如下的表现：被识别出的图片中飞机所占的比重比较大，并且在识别出大雁之前，尽可能多地正确识别出飞机，也就是让Recall值增长的同时保持Precision的值在一个很高的水平。而性能比较差的分类器可能会损失很多Precision值才能换来Recall值的提高。通常情况下，文章中都会使用Precision-recall曲线，来显示出分类器在Precision与Recall之间的权衡，为了能够用一个量化指标来衡量测试集中不同类别的分类误差，同时既体现召回率，又体现精确率，就需要用到Precision-Recall曲线的曲线下面积-平均精度AP。

 

平均精度AP（Precision-Recall曲线下面积）的计算过程：

（1）首先，根据置信度排序（降序）；

（2）其次，按照置信度降序，依次计算只有N（N=1，2，3，，，，）个正例时的Precision和Recall（N表示预测出来的正例数）；

（3）再次，根据VOC2012中平均精度的计算方法，对于每个召回率r，计算任意召回率中>=r（当前召回率）时的最大的precision；

（4）根据第三步绘制出的曲线（横轴：召回率，纵轴：精确率），计算曲线下面积作为平均精度AP。

示例图：

 

小结：

以一张图片物体检测为例，检测算法框出N=1000个框，正确检测出物体A的框有k=50个，实际上图片中有M=100个物体A：

Recall = k / M

Precision = k / N

Recall和Precision之间是有关系的，如果大幅度增加检测框，比如增加100万个框，此时k↑，M→，N↑↑，那么召回率↑、精度↓