<1>true positives(tp): 被正確地劃分為正例
<2>false positives(fp): 被錯誤地劃分為正例
<3>false negatives(fn):被錯誤地劃分為負例
<4>true negatives(tn): 被正確地劃分為負例
a = **對的/所有 = (tp+tn)/(tp+fn+fp+tn)
精確率是針對我們**結果而言的，它表示的是**為正的樣本中有多少是真正的正樣本。
p = **樣本中實際正樣本數 / 所有的正樣本數
召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被**正確了
r = **正確的樣本正例 / 所有樣本的正例
ap的計算：
假設：樣本總數：n 其中正樣本個數：m ，我們從n個樣本中取出top-1到top-n，那麼我們可以得到m個召回率，分別為（1/m,2/m,...,m/m），對於每乙個召回率，我們都可以計算出乙個最大的準確率，然後對這m個準確率求平均，即可得ap。
如果分類任務有m個類別，那麼就就有m個ap,對這m個ap求平均即為map
iou表示了產生的候選框（candidate bound）與原標記框（ground truth bound）的交疊率或者說重疊度，也就是它們的交集與並集的比值。相關度越高該值。最理想情況是完全重疊，即比值為1。
在第一張圖中，gt為s1，**值為s2
目標檢測評價指標mmAP（入門視角）
總的來說，影象分類和語義分割都是結構化 任務，而目標檢測是非結構化 任務，也就是說每張真值框數目和 框數目並非一一對應的。目標檢測的 結果包含 類別，bbox 那麼評價指標也應該從這個指標出發 map衡量的是在某個iou閾值下，所有類別的平均檢測效能。例如，檢測器對某個常見類別的ap很高，而對某個不...
目標檢測評價指標（mAP P R曲線 IOU）
二 iou 交並比 真實情況 為正 為反 recall召回率正tp fnr tp tp fn 反fp tnprecision準確率 p tp tp fp 這四個字母看著真頭暈，就算看部落格當時理解了，過一會兒就忘了，所以決定整理一下，用特殊的方法記住他！後面的字母p positive 和n nega...
目標檢測 指標
查準率 precision 查準率就是在 中的正例中為正例的比重 precision tp tp fp 查全率 recall 查全率是所有的正例有被檢測出來的比例 recall tp tp fn 簡單理解 precision就是檢索出的條目有多少是準確的，recall就是所有正確的條目有多少檢測出來...