深度学习常用指标

1. 混淆矩阵（误差矩阵）

2. 准确率（overall accuracy）

代表了所有预测正确的样本占所有预测样本总数的比例  

这里分类正确代表了正样本被正确分类为正样本，负样本被正确分类为负样本

3. 平均精度（average accuracy）

平均精度计算的是每一类越策正确的样本与该类总体数量之间的比值，最终再去每一类的精度的平均值，在实现中，直接取出混淆矩阵的对角线元素，并对混淆矩阵行列求和，然后用对角线元素除以求和结果，最后对结果计算求出平均值。

4. 召回率（recall）

又叫查全率，代表了实际为正样本并且也被正确识别为正样本的数据占样本中所有为正样本的比例

召回率是判断模型正确识别所有正样本的能力。

5. 精准率（precision）

也叫查准率，代表全部预测为正的结果中，被预测正确的正样本所占的比例

6. PR曲线

横轴是召回率，纵轴代表了P（精确率)，P-R曲线上的一个点代表着，在某一阈值下，模型将大于该阈值的结果判定为正样本，小于该阈值的结果判定为负样本，此时返回结果对应的召回率和精确率。整条P-R曲线是通过将阈值从高到低移动而生成的。原点附近代表当阈值最大时模型的精确率和召回率，在PR曲线我们可以从图中直观的看到某一个曲线被另外一条曲线完全包裹，所包围的面积大于另一条曲线包围的面积。

7. 置信度

在目标检测中，我们通常需要将边界框内物体划分为正样本和负样本。我们使用置信度这个指标来进行划分，当小于置信度设置的阈值判定为负样本（背景），大于置信度设置的阈值判定为正样本。

8. IOU

IOU可以去除目标检测的冗余框进行后处理优化并且还可以计算Loss达到优化模型的效果，计算公式为

分子部分是模型预测框与真实标注框之间的重叠区域，分母部分是两者的并集，预测框和实际框所占有的总区域

9. AP

AP事实上是PR曲线所包含的面积，当我们取不同的置信度，可以获得不同的P和Recall，PR曲线下面所包含的面积就是模型检测某个类的AP值。

mAP：平均精度，（精度：预测为正样本的数据中，有多少个是真正的正样本）

mAP50：指IoU阈值为0.5时，检测框与真实框的重叠度达到一定程度时，检测结果正确的比例，也就随便模型检测结果的准确率

mAP95： 在多个 IoU 阈值（从 0.5 到 0.95，步长为 0.05）下计算得到的 mAP 的平均值。