深度学习解释：Precision、Recall、IoU、Ap/mAp

深度学习的指标都是（APAverage Precision）

二分类情况下的Precision（查重率）和Recall（查全率）

对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）四种情形，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数。

TP = T+P ， 前面的字母代表此次预测是否正确，后面的字母代表预测结果。

Precision 精确率

Precision为我们预测为正例中真正例的比例

Recall

召回率计算公式：

TP+FN为所有的正样本集合，所以Recall为所有正样本中正确被预测出来的比例

Accuracy准确率

Accuracy代表所有样本中正负样本预测正确的比例

AP和mAP

AP(average precision)，就是PR曲线下的面积，这里average，等于是对recall取平均。而mAP(mean average precision)的mean，是对所有类别的AP取平均（每一个类当做一次二分类任务）。现在的图像分类论文基本都是用mAP作为标准。

IoU

转载自IoU的理解

IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量。为了可以使IoU用于测量任意大小形状的物体检测，我们需要：
1.ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围）
2.我们的算法得出的结果范围。
这个标准用于测量真实和预测之间的相关度，相关度越高，该值越高。
如下图所示。绿色标线是人为标记的正确结果（ground-truth），红色标线是算法预测的结果（predicted）。

IoU的计算

IoU是两个区域重叠的部分除以两个区域的集合部分得出的结果，通过设定的阈值，与这个IoU计算结果比较