深度学习笔记：目标检测模型评估指标

最近在学习YOLO v3，把YOLO v3的几种模型评估指标记录一下，方便以后学习。

目标检测中模型性能的常见评估指标有：准确率(Accuracy)，精确率(Precisoon)，召回率(Recall)，平均精度(AP)，多类别AP平均值(mean Average Precision)

首先，我们需要了解如下几个概念，假设我们的分类目标为正例(Positives)和负例(Negatives)两类：

TP(True Positives)：被正确划分为正例的个数，即实际为正例被分类器划分为正例的个数

FP(False Positives)：被错误划分为正例的个数，即实际为负例被分类器划分为正例的个数

TN(True Negatives)：被正确划分为负例的个数，即实际为负例被分类器划分为负例的个数

FN(False Negatives)：被错误划分为负例的个数，即实际为正例被分类器划分为负例的个数

1.准确率(Accuracy)

A = (TP + TN) / (TP + FP + TN + FN)，反映分类器预测整个样本的能力

2.精确度(Precision)

P = TP / (TP + FP)，反映分类器预测正例中真正正例的比重

3.召回率(Recall)

R = TP / (TP + FN)，反映分类器预测正例的个数占总正例个数的比重

4.平均精度AP(Average Precision)与mAP(Mean Average Precision)

AP就是Precision-Recall曲线下的面积

mAP是多个类别AP值的平均值