目标检测指标：IOU、P、R、Recall、ROC、AP、mAP

1.1 IOU(Intersection over Union)
1.2 TP TN FP FN
2. Accuracy、Precision、Recall、F1 SCORE
3. PR曲线、ROC曲线
4.1 AP (Average Precision)
4.2 mAP
4.3 mAP@0.5和mAP@0.5:0.95
5.混淆矩阵 confusion matrix

1.1 IOU(Intersection over Union)

1.2 TP TN FP FN
TP(Truth Positive)： 预测正类，实际正类，即预测正确
TN(Truth Negative)：预测负类，实际负类，即预测正确
FP(False Positive)： 预测正类，实际负类，即预测错误，和误检率有关
FN(False Negative)：预测负类，实际正类，即预测错误，和漏检率有关
预测对（不管正负）即T，否则P；预测为正类即P（不管正确与否），否则负类N
2. Accuracy、Precision、Recall、F1 SCORE
Accuracy：准确率， (TP+TN)/(P+N)，即正负样本正确数量/总样本。这个指标在样本比例差异较大时，容易失效，因为只要将全部预测成比例多的那种即可得到很高的准确率。
Precision：精确率，也可认为是查准率，预测的正类中对了几个TP/(TP+FP)，即正确预测正类/(正确预测正类+错误预测正类)=正确预测正类/所有预测正类样本，你猜的全部正类中，查得正确的正类的数量。 误检率=1-Precision。
Recall：召回率，也可认为是查全率，全部正类中你猜对了几个TP/(TP+FN)，即预测正确正类/(预测正确正类+预测错误负类)=预测正确正类/所有GT正类样本，理解成正类中召回了多少，查得多全。漏检率=1-Recall。
F1 SCORE:查全率和查准率的调和平均，1/F_1 =1/2*(1/P+1/R)，综合考虑两个指标，并且受小的影响比较大。
3. PR曲线、ROC曲线
P和R是两个不同维度的衡量方法。有时这两个是矛盾的，比如只检测出了一个结果，且是正确的，那么P就是100%，但是R就会很低。如果我们把所有认为可能的结果都返回，那么P可能就会很低，R就很高。
比如：
R高P低：所有汽车都被正确识别出来，但是很多卡车也被误认为是汽车
R低P高：识别出的飞机都是正确的，但还有很多飞机没被识别出来

PR曲线：就是选择不同的置信度阈值，得到的不同组合的P,R，以R为横坐标，P为纵坐标绘制而成。高度不均衡的数据集时，PR曲线能表现出更多的信息。

ROC曲线：就是选择不同的置信度阈值，以FPR=FP/(FP+FN)，即错误预测正样本/所有预测负样本，为横坐标， TPR=TP/(TP+FN)=Recall为纵坐标。评估分类器的可信度。
ROC曲线，兼顾正负类，适合评估分类器整体性能，在正负类不平衡时，结果过于乐观
PR曲线，聚焦正类，不同类别分布对分类器影响，PR更能体现分类器效果。

4.1 AP (Average Precision)
AP，平均准确度，就是对PR曲线求积分
4.2 mAP
就是对不同类别的AP取平均。
4.3 mAP@0.5和mAP@0.5:0.95
mAP@0.5就是计算IOU=0.5的PR曲线与坐标轴所包围的面积
mAP@0.5：0.95就是在不同IOU（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。
YOLOv5中
AP^small，对应 area<32^2
AP^medium，对应 area<96^2
AP^large，对应 area>96^2
5.混淆矩阵 confusion matrix

每行是GT正负类，so每行正类之和即正样本总数，依次
每列是预测正负类