YOLO性能评价指标

假设你的分类系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。
TP：真实类别为飞机，预测结果为飞机。
FP：真实类别为大雁，预测结果为飞机。
FN：真实类别为飞机，预测结果为大雁。
TN：真实类别为大雁，预测结果为大雁。

准确率：Acc= (TP + TN)/ S 预测和groundtruth相同的个数占总个数的比例，即来衡量预测的正确率。
误检率：FPR= FP / Nf 在反例的标签中，把反例误检为正例的比例，即来衡量反例被误检的误差比率。（因为通常情况下把反例预测为正例带来的后果会比较严重，比如你将毒药预测为好的药物肯定会带来严重后果。）
1).平均每图误检数目：FPPI = FP/(image)
2).总误检数目：FP
召回率：Recall = TP/Nt 在正例标签中，正例预测正确的比例。度量分类器对某一类别预测结果的覆盖面，对所有类别求和取均值后可以得到整体覆盖面。
漏检率：MP = 1 – Recall （即来衡量又是多少被预测为大雁的飞机可以被漏检回来 。）
平均漏检率：随着阈值选择的不同，召回率会改变，因此漏检率也会随之改变
精确率：Prec = TP / Mt，度量分类器对某一类别预测结果的覆盖面，对所有类别求和取均值后可以得到整体覆盖面。
多目标检测：
平均精确率：AP：不同召回率下的平均 ，PR曲线下的面积，是precision对recall的积分。
-均匀地选择11个不同的召回率：Recall
-计算PR曲线下的面积
mAP：不同类别下的平均，即所有类别的平均精度求和除以所有类别，即数据集中所有类的平均精度的平均值。（数据集中的各类别数量一般是平均分布的）
mmAP：不同IoU’阈值下的平均
-较少使用，一般分别给出各个IoU阈值下的mAP
F值：F = 2 x precision x recall / （precision + recall）

参考：
模型评价——准确率、精确率与召回率与F值、宏平均与微平均、ROC曲线与AUC值