在进行目标目标检测之前，需要了解一下目标检测中常使用的评价指标，这样能够更好地帮着我们了解模型的实用性。
文章目录
- TP、FP、TN、FN、Recall、Precision
- TPR、TFR、FPR、FNR
- AP、mAP、P-R曲线
- ROC曲线、AUC
- IOU
- Fps、FLOPS
- GOPS
TP、FP、TN、FN、Recall、Precision
符号 | 含义 |
TP(true positive) | 实际是正例，预测为正例 |
FP(false positive) | 实际为负例，预测为正例 |
TN(true negative) | 实际为负例，预测为负例 |
FN(false negative) | 实际为正例，预测为负例 |
召回率(Recall) = 系统检索到的相关文件 / 系统所有相关的文件总数
准确率(Precision) = 系统检索到的相关文件 / 系统所有检索到的文件总数
具体召回率以及准确率能够从上边的图中明显看出区别。
TPR、TFR、FPR、FNR
符号 | 含义 |
TPR(true positive rate) | 真正率又称为：灵敏度(sensitivity) |
TFR(true negative rate) | 真负率又称为：特指度(specificity) |
FNR(flase negative rate) | 假负率又称为：虚警率(False Alarm) |
FPR(false positive rate) | 假正率 |
AP、mAP、P-R曲线
准确率-召回率曲线（P-R曲线）：以召回率为横坐标，精确率为纵坐标，用不同的阀值，统计出一组不同阀值下的精确率和召回率。
AP(average precision)——P-R曲线下的面积；
mAP(mean average precision)——多个类别AP的平均值。
ROC曲线、AUC
ROC曲线：用不同的阀值，统计出一组不同阀值下的TPR（真阳率）和FPR（假阳率）的关系。
AUC(Area Under Curve)：ROC曲线下的面积。
ROC曲线优点：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。
IOU
IOU(Intersection over Union)：是一种测量在特定数据集中检测相应物体准确度的一个标准，一般来说，这个score ＞ 0.5 就可以被认为一个不错的结果了。
Fps、FLOPS
Fps (Frames Per Second)：每秒处理图像的帧数
FLOPS：每秒浮点运算次数、每秒峰值速度
GOPS
10亿次/每秒是衡量处理器计算能力的指标单位。
简称 | 全称 | 每秒运算次数 |
MFLOPS | megaFLOPS | 10^6 |
GFLOPS | gigaFLOPS | 10^9 |
TFLOPS | teraFLOPS | 10^12 |
PFLOPS | petaFLOPS | 10^15 |
EFLOPS | exaFLOPS | 10^18 |
