机器视觉中的目标检测精度评价指标

终于把期末考试考完了，我可以来做我项目上的事情了，这一篇主要是了解一下我自己项目上的主要技术指标。在目标检测领域中，存在着许多的精度评价指标，需要依据本身的应用场景选择更合适的评价指标。这里随便把没用到的一起学了，在此处做一个记录。

对于一个目标检测模型的好坏，大致可以从这三个方面来评估：

• 分类精度：比如准确度（Accuracy），精度（Precision），召回率（Recall Rate）， PR 曲线，AP，mAP等；
• 定位精度：比如 IoU；
• 运行速度：比如 fps，帧率，一秒处理几张图。

1、基础知识

这里我们来举个小小的例子：假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

• TP: 将正类预测为正类数 40
• FN: 将正类预测为负类数 20
• FP: 将负类预测为正类数 10
• TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3

precision 和 recall 的抽取样本方式不同：准确率是从已经预测为同一类别的样本抽样；召回率是从数据集的同一标签的样本抽样。需要注意的是， Precision 和 Accuracy 是不一样的，Accuracy 针对所有样本，而 Precision 仅针对检测出来（包括误检）的那一部分样本。

2、准确度(Accuracy)

准确度是所有样本中预测正确的比例。

3、精确率(Precision)

精确率是指在所有检测出的目标中检测正确的概率。

精准率是按照预测的结果来看的，其中包括了误检的部分。

4、召回率(Recall)

召回率是指所有的正样本中正确识别的概率。

召回率是从样本的角度来看的。召回率又称查全率。

5、IoU(Intersection over Union)

计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。

用于衡量分类器预测出来的目标框与原来图片中标记的框的重合程度。计算方法即检测结果Detection Result与 Ground Truth 的交集（Intersection）比上它们的并集（Union），即为检测的准确率。

参考文章

(6条消息) 目标检测模型的评价指标(Acc, Precision, Recall, AP, mAP, RoI)_目标检测模型评价指标_kuweicai的博客-CSDN博客AP，Precision，Recall, mAP 之间的关系 - 简书 (jianshu.com)

(6条消息) 目标检测精度评价指标_MiracleHong的博客-CSDN博客

目标检测 — 评价指标 - 深度机器学习 - 博客园 (cnblogs.com)

David9的普及贴：机器视觉中的平均精度(AP), 平均精度均值(mAP), 召回率(Recall), 精确率(Precision), TP，TN，FP，FN | David 9的博客 --- 不怕"过拟合" (nooverfit.com)