图像检测指标

分类指标

主要有准确率(accuracy)，精确率/查准率(precision)，召回率/查全率(recall)，PR曲线，混淆矩阵(confusion-matrix)，F-score。

精确率(Precision), 召回率(Recall)

TP: True Positive,表示预测结果为正例，实际结果也为正例，即预测正确的正例；
FP: False Positive,表示预测结果为正例，实际结果为负例，即预测错误的正例，没有预测到的负例；
TN: True Negative,表示预测结果为负例，实际结果也为负例，即预测正确的负例；
FN: False Negative,表示预测结果为负例，实际结果为正例，即预测错误的负例，没有预测到的正例；

TP: 正确预测正样本
TN：正确预测负样本
FN：错误的认为是负样本
FP：错误的认为是正样本
召回率：所有实际为正的中预测为正的概率
精确率：所有预测为正的中预测正确的概率


精确率和召回率是二分类指标，并不不适用于多分类，由此得到P-R曲线也是二分类评估指标，因此如果需要计算多分类的Precision和Recall，我们需要指定某一类别标签作为Positive,而其他的类别则均为Negative,从而将问题转化为二分类问题，然后计算出相应类别的Precision和Recall.

精确率——找的对（所有预测中成功的比例） confusion matrix第一层
召回率——找的全（所有目标中成功找到的个数） confusion matrix第一列
理想情况下，精确率和召回率两者都越高越好。然而事实上这两者在某些情况下是矛盾的，精确率高时，召回率低；精确率低时，召回率高

混淆矩阵（Confusion Matrix）

混淆矩阵表示的是模型在测试集上所有预测结果的统计，对角线上的数值表示的是该类别预测正确的样本数：

第一行表示ground truth标签
第一列表示预测出的标签
举例，预测为label1的17个物体中，有12个是label1物体，2个label2物体，1个label1物体，2个label4物体
对角线为预测正确数

准确率（Accuracy）

准确率(accuracy)是一个全局指标，既适用于二分类评估，也适用于多分类评估。其计算方式为将所有预测正确的样本数除以所有的样本数

F-score

F-score是关于精确率(Precision)和Recall(Recall)的一个评估指标，是对精确率和召回率赋不同权值进行加权调和

AP

Average Precision即平均精确度

mAP

mAP 即 Mean Average Precision即平均AP值，是对多个验证集个体求平均AP值，作为 object dection中衡量检测精度的指标。

PR曲线

以 precision和 recall作为纵、横轴坐标的二维曲线。通过选取不同阈值时对应的精度和召回率画出
P-R曲线围起来的面积就是AP值，通常来说一个越好的分类器，AP值越高