1.常用指標

1）每個檢測物體的分類準確度；

2）預測框與真實框的重合度（IOU）：如果設定IOU的閾值為0.5，當一個預測框與一個真實框的IOU值大于該閾值時，被判定為真陽（TP），反之被判定為假陽（FP）

3）模型是否找到圖片中的所有物體（召回，recall）：如存在某些模型沒有預測出的真實框稱之為假陰（FN）。

4）綜合得到mAP：在PascalVOC中，mAP是各類別AP的平均，precision
= TP / (TP + FP)。

指預測框為true的數量比上所有預測框的數量

5）召回率：recall = TP / (TP + FN)。指找到的某一類別物體的數量比上圖像中所有這類物體的數量。

2. 詳解：True Positive，False Positive，False Negative和True Negative：

True Positive(TP)：既是正樣本又被預測為正樣本的個數，即檢測正確，檢測中的IOU≥閾值。

False Positive(FP)：負樣本被預測為了正樣本的個數，即檢測錯誤，檢測中的IOU＜閾值。

False Negative(FN)：既是負樣本又被預測為負樣本的個數，也即ground truth未被檢測到。

True Negative(TN)：正樣本被預測為了負樣本的個數。TN最后不會被應用于評價算法的性能。閾值和評價的尺度有關，通常被設定為0.5，0.75或者0.95。

3.詳解：IOU（Intersection Over Union）

IOU用于計算兩個邊界框之間的交集。它需要一個ground truth邊界框Bgt和一個預測邊界框Bp。通過應用IOU，我們可以判斷檢測是否有效（TP）或不有效（FP）。

IOU由預測邊界框和ground truth邊界框之間的重疊區域除以它們之間的結合區域得出：

4.性能指標

評價一個目標檢測算法是否有效，我們通常關注精度和速度兩個方面。精度的評價指標通常有兩個：檢測準確率（Precision）以及召回率（Recall）。速度的評價指標通常為檢測速度（Speed）。計算檢測準確率和召回率的公式如下：

最常用的評價指標為檢測平均精度( Average Precision，AP)，它被定義為正確識別的物體數占總識別的物體個數的百分數。而評估所有類別的檢測準確度的指標為平均精度均值( Mean Average Precision，mAP)，定義為所有類別檢測的平均準確度，通常將mAP作為檢測算法性能評估的最終指標。平均召回率( Avreage Recall，AR) 表示正確識別的物體數占測試集中識別的物體個數的百分數。此外，為了評估一個檢測器的實時性，通常采用每秒處理幀數(Frames Per Second，FPS)指標評價其執行速度。FPS值越大，說明檢測器的實時性越好。【張索非】

總結

以上是生活随笔為你收集整理的计算机视觉目标检测常用的一些评估指标的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。