目标检测中的评估指标mAP等

评价指标：

准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU）

1.交并比IoU

目前目标检测领域主要使用IoU来衡量两个检测框的相似度，顾名思义，IoU表示两个集合的交集占其并集的比例。

公式中，和分别表示预测框和真实标记框，IoU取值范围在之间，0表示两个包围框没有任何重叠部分，1表示两个包围框完全重合，IoU值越大，表示预测结果与真实标记框相似度越高，也意味着定位精度越精确，IoU超过一定阈值才会被认为检测正确。IoU的概念类似于数学领域的Jaccard指数。

 

 

2.混淆矩阵

混淆矩阵中的横轴是模型预测的类别数量统计，纵轴是数据真实标签的数量统计。对角线，表示模型预测和数据标签一致的数目，所以对角线之和除以测试集总数就是准确率。对角线上数字越大越好，在可视化结果中颜色越深，说明模型在该类的预测准确率越高。如果按行来看，每行不在对角线位置的就是错误预测的类别。总的来说，我们希望对角线越高越好，非对角线越低越好。

一些相关的定义。假设现在有这样一个测试集，测试集中的图片只由大雁和飞机两种图片组成，假设系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。

True positives : 正样本被正确识别为正样本，飞机的图片被正确的识别成了飞机。</