[ 目标检测 ] 经典网络模型——性能评价指标 AP、mAP

Author ：Horizon Max

✨ 编程技巧篇：各种操作小结

机器视觉篇：会变魔术 OpenCV

深度学习篇：简单入门 PyTorch

神经网络篇：经典网络模型

算法篇：再忙也别忘了 LeetCode

正负样本——TP TN FP FN

TP（True Positives）：被 正确 的划分为 正样本 ；

TN（True Negatives）： 被 正确 的划分为 负样本 ；

FP（False Positives）： 被 错误 的划分为 正样本 ；

FN（False Negatives）：被 错误 的划分为 负样本 ；

Precision、Recall、Accuracy

精确率（Precision）：预测 正确 的部分在 预测框 中的占比，即 Precision = $\frac{TP}{TP+FP}$ ；

召回率（Recall）：预测 正确 的部分在 真实框 中的占比，即 Recall = $\frac{TP}{TP+FN}$ ；

准确率（Accuracy）：预测 正确 的部分在样本整体中的占比，即 Accuracy = $\frac{TP+TN}{TP+TN+FP+FN}$ ；

Precision-Recall 曲线

PR曲线：通过改变置信度为每个目标类别绘制出一条 Precision-Recall 曲线 ；

AP、mAP

AP（Average Precision）：识别正确的样本数占识别样本总数的百分数，对应着PR曲线下面的面积 ；

mAP（Mean Average Precision）：所有类别AP值的平均数，通常将mAP作为评估模型性能的最终指标 ；

IoU (Intersection over Union)

IoU：表示预测框与真实框之间的重叠层度，IoU = $\frac{交集}{并集}$ = $\frac{TP}{TP+FP+FN}$ ；

FPS (Frames Per Second)

FPS ：帧每秒，用于评估模型检测的速度，FPS越高实时性越好 ；