目标检测中的结果评价方法汇总（未完待续）

常用评价指标

TP(True Positive),FP(False Positive), FN(False Negative)，TN(True Negative)

精确率（Precision）,
召回率（Recall），
准确率 （Accuracy），
平均正确率（AP），
mean Average Precision(mAP)，
交除并（IoU），
检测速率（Fps），
AUC(Area under the curve)

AP与mAP

mAP即mean AP, 首先会算AP。AP就是Precision-recall 曲线下面的面积，通常来说一个越好的分类器，AP值越高。
mAP是多个类别AP的平均值。这个mean的意思是对每个类的AP再求平均，得到的就是mAP的值，mAP的大小一定在[0,1]区间，越大越好。该指标是目标检测算法中最重要的一个。
AP曲线：

将各个框的评分从大到小排列：
例：取得分最大的那个框，Precision=1/1=1, Recall=1/16=0.0666
取得分最大到第二大的框，P=1/2=0.5,R=1/16=0.066
取得分最大到第三大的框，P=2/3=0.666,R=2/16=0.1333
…
…

11点法：就是首先我们取出来所有的recall在0到0.1这个区间内的所有的recall以及对应的那些precision，然后我们从这些precision中找到最大值作为这个区间内precision的代表，然后我们在剩下的10个区间内也分别找到最大的precision，最后把这11个数求均值就作为我们的AP。
根据以上得到的点绘制AP曲线：

现在的方法：


AP=SA1+…+SA4

[计算方法可以参考这篇文章](https://github.com/rafaelpadilla/Object-Detection-Metrics#interpolating-all-points & https://blog.csdn.net/qq_35916487/article/details/89076570)

F-Measure

$F_n-score = (1+\beta)\frac{Precision*Recall}{\beta^2*Precision+Recall}$Fn​−score=(1+β)β2∗Precision+RecallPrecision∗Recall​
$F_1-score = \frac{2*Precision*Recall}{Precision+Recall}$F1​−score=Precision+Recall2∗Precision∗Recall​

ROC & AUC