深度学习中AP、mAP、recall、IoU、NMS的评价指标介绍

1、通过混淆矩阵实例给大家讲解各个指标：

混淆矩阵

		预测
		0	1
真实	0	TN	FP
	1	FN	TP

        真阳率：代表将真实正样本划分为正样本的概率

        伪阳率：代表将真实负样本划分为正样本的概率

        精确率：precision = TP / (TP + FP)

        召回率：recall = TP / (TP + FN)

        准确率：accuracy = (TP + TN) / (TP + TN + FP + FN)

2、AP（平均精度）

        平均精度的计算方式这里我讲一种方式。

        假设N个样本中有M个正例，那么我们会得到M个recall值（1/M，2/M，...，M/M），对于每个recall值r，我们可以计算出对应的（r` >=r）最大值precision，然后对这M个precision值取平均即得到最后的AP值，计算方法如下：

 

         AP衡量的是学出来的模型每个类别上的好坏。

3、mAP（平均精度均值）

                                       

        mAP是衡量的学出来的模型在所有类别上好坏，公式如上。

4、precision-recall曲线

        实际多分类任务中，我们需要知道从top-1到top-N（N是所测试样本个数）对应的precision和recall。显然随着我们选定的样本越来越多，recall一定会越来越高，而precision整体会呈下降趋势。把recall当成横坐标，即可得到常用的precision-recall曲线。

                           

5、IOU指标

 6、NMS（非极大值抑制）

        执行原理：选出置信度最高的候选框，如果和当前最高分的候选框重叠面积IOU大于一定阈值，就将其删除。