深度學習筆記（八）：目標檢測性能評價指標（mAP、IOU..）
一、mAP
這裏首先介紹幾個常見的模型評價術語，現在假設我們的分類目標只有兩類，計爲正例（positive）和負例（negtive）分別是：
1）True positives(TP): 被正確地劃分爲正例的個數，即實際爲正例且被分類器劃分爲正例的實例數（樣本數）；
2）False positives(FP): 被錯誤地劃分爲正例的個數，即實際爲負例但被分類器劃分爲正例的實例數；
3）False negatives(FN):被錯誤地劃分爲負例的個數，即實際爲正例但被分類器劃分爲負例的實例數；
4）True negatives(TN): 被正確地劃分爲負例的個數，即實際爲負例且被分類器劃分爲負例的實例數。
P
代表precision即準確率， 計算公式爲 預測樣本中實際正樣本數 / 所有的正樣本數 即 precision=TP/（TP+FP）；
R
代表recall 即召回率， 計算公式爲 預測樣本中實際正樣本數 / 預測的樣本數即 Recall=TP/(TP+FN)=TP/P
一般來說，precision和recall是魚與熊掌的關係，往往召回率越高，準確率越低
AP
AP 即 Average Precision即平均精確度
mAP
mAP 即 Mean Average Precision即平均AP值，是對多個驗證集個體求平均AP值，作爲 object dection中衡量檢測精度的指標。
P-R曲線
P-R曲線即 以 precision 和 recall 作爲 縱、橫軸座標 的二維曲線。通過選取不同閾值時對應的精度和召回率畫出
總體趨勢，精度越高，召回越低，當召回達到1時，對應概率分數最低的正樣本，這個時候正樣本數量除以所有大於等於該閾值的樣本數量就是最低的精度值。
另外，P-R曲線圍起來的面積就是AP值，通常來說一個越好的分類器，AP值越高
最後小小總結一下，在目標檢測中，每一類都可以根據 recall 和 precision繪製P-R曲線，AP就是該曲線下的面積，mAP就是所有類AP的平均值。
二、IOU（交併比）
IOU 即交併比 即 Intersection-over-Union，是目標檢測中使用的一個概念，是一種測量在特定數據集中檢測相應物體準確度的一個標準。
IOU表示了產生的候選框（candidate bound）與原標記框（ground truth bound）的交疊率或者說重疊度，也就是它們的交集與並集的比值。相關度越高該值。最理想情況是完全重疊，即比值爲1。
計算公式如下：
三、NMS(非極大抑制)
NMS即non maximum suppression即非極大抑制，顧名思義就是抑制不是極大值的元素，搜索局部的極大值。
在物體檢測中，NMS 應用十分廣泛，其目的是爲了清除多餘的框，找到最佳的物體檢測的位置。
四、速度
除了檢測準確度，目標檢測算法的另外一個重要性能指標是速度，只有速度快，才能實現實時檢測，這對一些應用場景極其重要。評估速度的常用指標是每秒幀率（Frame Per Second，FPS），即每秒內可以處理的圖片數量。當然要對比FPS，你需要在同一硬件上進行。另外也可以使用處理一張圖片所需時間來評估檢測速度，時間越短，速度越快。
參考博客：
https://zhuanlan.zhihu.com/p/33273532