目标检测之指标

positive：正样本
negative：负样本
true：正确的预测
false：错误的预测
TP：正确的预测为正样本（真实值为正样本）【样本预测正确】
TN：正确的预测为负样本（真实值为负样本）【样本预测正确】
FP：错误的预测为正样本（真实值为负样本）【样本预测错误】
FN：错误的预测为负样本（真实值为正样本）【样本预测错误】

准确率 accuracy = (TP+TN)/(TP+TN+FP+FN)：预测正确的样本数除以所有的样本数
精度 precision = TP/( TP+FP)：从预测结果的角度来统计，在预测为正样本中，有多少个是真正的正样本
召回率 recall = TP/(TP+FN)：在总的正样本中，模型找回了多少个正样本

Fβ = ((1+ββ)precisionrecall) / (ββ*precision + recall)
F1：召回率和精度同等重要
F2：召回率的重要程度是精度的2倍
F0.5：召回率的重要程度是精度的一半
F1-score)是分类问题的一个衡量指标，一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法

通常，精度，召回率，FPR，和F1-Score，往往不能够直观的反应模型性能，所以就有了PR曲线，ROC曲线，AUC值。

PR曲线，就是precision和recall的曲线，PR曲线中precision为纵坐标，recall为横坐标。
PR曲线评估模型的性能。从图上理解，如果模型的精度越高，召回率越高，那么模型的性能越好。也就是说PR曲线下面的面积越大，模型的性能越好。
绘制PR曲线：设定不同的分类阈值来获得对应的坐标，从而画出曲线。

AP（Average Precision），称为平均准确率，是对不同召回率点上的精度进行平均，**在PR曲线图上表现为PR曲线下面的面积。**AP的值越大，则说明模型的平均准确率越高。

mAP（mean average precision），称为平均精度均值
在目标检测中，一个模型通常会检测很多种物体，那么每一类都能绘制一个PR曲线，进而计算出一个AP值。那么多个类别的AP值的平均就是mAP。
mAP衡量的是学出的模型在所有类别上的好坏，是目标检测中一个最为重要的指标，一般看论文或者评估一个目标检测模型，都会看这个值，这个值是在0-1直接，越大越好。
一般来说，mAP针对整个数据集而言的，AP针对数据集中某一个类别而言的，而percision和recall针对单张图片某一类别的。

模型的检测速度：一秒钟能够检测多少张图片。

不同的目标检测模型往往会有不同的mAP和检测速度。

目标检测技术的很多实际应用在准确度和速度上都有很高的要求，如果不计速度性能指标，只注重准确度表现的突破，但其代价是更高的计算复杂度和更多内存需求，对于全面行业部署而言，可扩展性仍是一个悬而未决的问题。在实际问题中，通常需要综合考虑mAP和检测速度等因素。

参考：
目标检测中的评价指标