目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC）

目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC）

介绍这些之前，应该了解一下最基本的TP,TN,FP,FN.
先看一下下面这些解释。
True positives: 简称为TP，即正样本被正确识别为正样本，飞机的图片被正确的识别成了飞机。
True negatives: 简称为TN，即负样本被正确识别为负样本，大雁的图片没有被识别出来，系统正确地认为它们是大雁。
False Positives: 简称为FP，即负样本被错误识别为正样本，大雁的图片被错误地识别成了飞机。
False negatives: 简称为FN，即正样本被错误识别为负样本，飞机的图片没有被识别出来，系统错误地认为它们是大雁。
我相信你早就已经看过无数遍这几个例子了，但是是不是真正用的时候还是会把它们搞混。（哈哈，反正我就是，可能是我太菜了！！！）下面我来讲一下我记这几个东西的技巧。
首先，T就代表我们的网络识别正确了，F就代表我们的网络学习错误了。
TP：就是我们熟知的正样本识别成正样本。（这个肯定不会有人不懂）
TN：就是网络正确识别出了负样本。
FP：就是网络错误的识别成了正样本。（言外之意就是人家本来是负样本，你却认成了正样本）
FN：就是网络错误的识别成了负样本。（同理）
接下来，我们来看具体的评价指标。

那么目标检测中的这些量是什么含义呢？

首先TN是没有含义的，因为目标检测中不会识别出这个来。（不懂的好好理解一下）
TP就不讲了。
FN，在目标检测中就是你没有检测出来的。比如图中有5个标注为汽车的ground truth, 那么你检测到的汽车有两个， 那么对于这张图， 汽车类的 FN 就是 3.
FP在目标检测中就是检测错误的数量，比如图中有3个人的ground truth， 你检测到的也是三个框， 但是其中只有一个框检测吻合到你的ground truth，另外两