目标检测（二）——评价指标 - 好文

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
<https://blog.csdn.net/qq_35451572/article/details/80272968#font_color__blueTPFPTNFNRecallPrecision_3>
* TPR、TFR、FPR、FNR
<https://blog.csdn.net/qq_35451572/article/details/80272968#font_color__blueTPRTFRFPRFNR_15>
* AP、mAP、P-R曲线
<https://blog.csdn.net/qq_35451572/article/details/80272968#font_color__blueAPmAPPR_28>
* ROC曲线、AUC
<https://blog.csdn.net/qq_35451572/article/details/80272968#font_color__blueROCAUC_40>
* IOU
<https://blog.csdn.net/qq_35451572/article/details/80272968#font_color__blueIOU_46>
* Fps、FLOPS
<https://blog.csdn.net/qq_35451572/article/details/80272968#font_color__blueFpsFLOPS_52>
* GOPS
<https://blog.csdn.net/qq_35451572/article/details/80272968#font_color__blueGOPS_60>

<>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

热门工具换一换