目标检测的评估指标
- 准确率 （Accuracy）、错误率 （Error rate）
- 准确率（Accuracy）：
- 错误率（Error rate）：
- 混淆矩阵 （Confusion Matrix）
- 精确率（Precision）
- 召回率（Recall）
- 平均正确率（AP）和mean Average Precision(mAP)
- 交除并IoU（Intersection Over Union）
- ROC + AUC
- 非极大值抑制NMS（Non-maximum suppression）
目标检测也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。
准确率 （Accuracy）、错误率 （Error rate）
准确率（Accuracy）：
准确（分类）率=正确预测的正反例数 / 总数
错误率（Error rate）：
与正确率相反，描述被分类器错分的比例：
错误（分类）率=错误预测的正反例数/总数 = 1 - 准确（分类）率
准确率一般用来评估模型的全局准确程度。
混淆矩阵 （Confusion Matrix）
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。
按行来看，每行不在对角线位置的就是错误预测的类别。
对角线表示模型预测和数据标签一致的数目，对角线之和除以测试集总数为准确率
准确率=(TP+TN)/(TP+FP+FN+TN)，即对角线之和除以测试集总数
精确率（Precision）
分类目标只有两类，计为正样本（positive）和负样本（negtive）：
1） True positives(TP): 正样本被正确识别为正样本
2）False positives(FP): 假的正样本，即负样本被错误识别为正样本
3）False negatives(FN):假的负样本，即正样本被错误识别为负样本
4）True negatives(TN): 负样本被正确识别为负样本
被识别为正样本的样本中实际为正样本的比例，即：
精确率Precision=TP/（TP+FP）=TP/N
召回率（Recall）
预测为正样本（positive）的样本中正确的数量除以真正的Positive的数量，即：
Recall=TP/(TP+FN)=TP/P
平均正确率（AP）和mean Average Precision(mAP)
AP是PR（Precision-recall）曲线下的面积，越好的分类器，其AP值越高。
mAP是多个类别AP的平均值，其大小在[0,1]区间，越大越好。
交除并IoU（Intersection Over Union）
评价一个检测算法的两个指标：是否正确预测了框内的类别；预测框和人工标注框的重合程度。
计算：预测的边框和真实的边框的交集和并集的比值
ROC + AUC
ROC（Receiver Operating Characteristic）曲线：
横坐标：假正率(False positive rate， FPR)，FPR = FP / [ FP + TN] ，代表所有负 样本中错误预测为正样本的概率，假警报率；
纵坐标：真正率(True positive rate， TPR)，TPR = TP / [ TP + FN] ，代表所有正样 本中预测正确的概率，命中率。
ROC曲线有个很好的特性：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。
AUC（Area Under Curve）：ROC曲线下的面积。AUC越接近1代表分类器性能越好。
非极大值抑制NMS（Non-maximum suppression）
非极大值抑制是一种去除非极大值的算法。
从多个候选框中保留最优框，对于有重叠的预测框，只保留得分最高的。
方法：
（1）NMS计算出每一个bounding box的面积，然后根据score进行排序，把score最大的bounding box作为队列中首个要比较的对象；
（2）计算其余bounding box与当前最大score与box的IoU，去除IoU大于设定的阈值的bounding box，保留小的IoU得预测框；
（3）然后重复上面的过程，直至候选bounding box为空。
NMS一次处理一个类别。
（对目标检测评估指标的初步认识）
