在进行目标检测任务之前，需要了解下检测任务中常用的评估指标，这样可以更好地帮我们了解模型的实用性。
常用的目标检测模型评估指标总结如下，
- TP、FP、TN、FN、Recall、Precision
- TPR、TNR、FPR、FNR
- AP、mAP、P-R曲线
- ROC曲线、AUC
- IOU
- FPS、FLOPS
- GOPS
1. TP、FP、TN、FN、Recall、Precision
目标检测问题同时是一个回归和分类问题。首先，为了评估定位精度，需要计算IoU（Intersection over Union，介于0到1之间），其表示预测框与真实框（ground-truth box）之间的重叠程度。IoU越高，预测框的位置越准确。因而，在评估预测框时，通常会设置一个IoU阈值（如0.5），只有当预测框与真实框的IoU值大于这个阈值时，该预测框才被认定为真阳性（True Positive, TP），反之就是假阳性（False Positive，FP）。
TP（True Postive）：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） = 系统检测到的相关文件（TP） / 系统所有相关的文件总数（Ground Truth）；
准确率（Precision） = 系统检测到的相关文件（TP） / 系统所有检测到的文件总数。
2. TPR、TNR、FPR、FNR
TPR（True Positive Rate）：真正率，又称灵敏度（sensitivity）；
TNR（True Negative Rate）：真负率，又称特指度（specificity）；
FPR（False Positive Rate）：假正率；
FNR（False Negative Rate）：假负率，又称虚警率（False alarm）。
3. AP、mAP、P-R曲线
P-R曲线（准确率-召回率曲线）：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。
对于二分类，AP（Average Precision）是一个重要的指标，这是信息检索中的一个概念，基于P-R曲线计算出来。对于目标检测，首先要单独计算各个类别的AP值，这是评估检测效果的重要指标。取各个类别的AP的平均值，就得到一个综合指标mAP（Mean Average Precision），mAP指标可以避免某些类别比较极端化而弱化其它类别的性能这个问题。
对于目标检测，mAP一般在某个固定的IoU上计算，但是不同的IoU值会改变TP和FP的比例，从而造成mAP的差异。COCO数据集提供了官方的评估指标，它的AP是计算一系列IoU下（0.5:0.05:0.9，见说明）AP的平均值，这样可以消除IoU导致的AP波动。其实对于PASCAL VOC数据集也是这样，Facebook的Detectron上的有比较清晰的实现。
4. 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。
5. 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。
6. FPS、FLOPS
除了检测准确度，目标检测算法的另外一个重要性能指标是速度，只有速度快，才能实现实时检测，这对一些应用场景极其重要。评估速度的常用指标是每秒帧率（Frame Per Second，FPS），即每秒内可以处理的图片数量。当然要对比FPS，你需要在同一硬件上进行。另外也可以使用处理一张图片所需时间来评估检测速度，时间越短，速度越快。
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
7. GOPS
10亿次/每秒是衡量处理器计算能力的指标单位。
