【目标检测】性能指标

      这里首先介绍几个常见的模型评价术语，现在假设我们的分类目标只有两类，其中：总共有 P 个类别为 1 的样本，假设类别 1 为正例。总共有 N 个类别为 0 的样本，假设类别 0 为负例。
　　1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；
　　2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
　　3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
　　4）True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
　　　
1.准确率 （Accuracy）

反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负。
  
2、精确度（Precision）

Precision其实就是在识别出来的图片中，正确地划分为正例的个数所占的比率

3、召回率（recall）

Recall 是所有正样本样例中，被正确识别为正样本的比例。

4、F1值

5、平均精度（Average-Precision，AP）与 mean Average Precision(mAP)

      对于一个类别C，可能在多张图片上有该类别，则类别C的AP（average Precision）指数：AP=每张图片上的Precision求和/含有类别C的图片数目。

      对于整个数据集而言，存在多个类别，不仅仅只有C，可能还会有C1、C2、C3：mAP=上一步计算的所有类别的AP和/总的类别数目，相当于所有类别的AP的平均值。

6、IoU（交并比）

IoU表示了预测产生的候选框（Region Proposal）与原图中标记框（Ground Truth）的重叠度。

7、FPS（Frame Per Second，每秒帧率）