目标检测算法评价指标
IoU(intersection over union)
- 评价目标检测算法性能的一个重要指标
- 交并比，计算的是“预测的物体框”（DT，DectionResult）和“真实的物体框”（GT，GroundTruth）的交集和并集的比值
- 该值越高，DT和GT的交叠率越高，相关度越高。最理想的情况是完全重叠，比值为1、
- 评价一个算法的时候，一种常见的方法是先设置一个IOU的阈值，只要算法找到的IOU大于这个阈值，就是一个有效的检测，把记过拿出来计算mAP作为最终的评价指标。
P(Precision，精确度)和R(Recall，召回率)
多标签的分类任务，若关注某个类别对错与否的标签，相当于一个二分类任务，分类目标只有两类，正例（positive）和负（negative）。
使用混淆矩阵（Confusion Matrix，横轴是模型预测的类别数量统计，纵轴是数据真实标签的统计），预测该二分类任务的混淆矩阵为：
P
- P=TP/(TP+FP)
- 又称查准率，被预测为正例的样本中实际为正例的比例。
R
- R=TP/(TP+FN)=TP/P
- 又称查全率，实际为正例的样本中被预测为正例的比例
AP(Average-Precision,平均精度)
画出P-R曲线，将选取不同阈值时对应的精确度和召回率画出来。
总体趋势，精度越高，召回越低，当召回达到1时，对应概率分数最低的正样本，这个时候正样本数量除以所有大于等于该阈值的样本数量就是最低的精度值。
PR曲线围起来的面积，即为AP。越好的分类器，AP值越高。
mAP(Mean Average Precision，平均精度均值)
mAP即是把每个类别的AP都单独拿出来，然后计算所有类别AP的平均值，代表着对检测到的目标平均精度的一个综合度量。
fps(Frame Per Second，每秒帧率)
- 每秒可以处理的图片数量，实时性的关键指标。