1.准确率:Accuracy
就是检测出来的目标中,与xml标签中一致的占多少。
2.精确率:Precision
与准确率的区别:就一点:准确率的分母是所有样本。
而精确率的分母,不是要输入分类器的所有样本,而是分类为正的所有样本,是前者的一个子集。
3.混淆矩阵:Confusion Matrix
横轴为预测标签,纵轴为xml实际标签。
举例:模型预测为A的样本,实际标签为A的占80%(预测对的80%),实际标签为B的占20%,
所以其实中间那条线颜色越浓越好,说明每一类的预测对了。如果没有,就说明有误检。这个指标用来衡量类别之间的检测错误还是挺清楚的。
4. 召回率:Recall
分子与精确率一样,就是检测对的正样本。分母不一样:Recall的分母是检测出来的结果中,标签为正的样本数量。
而精确率的分母是:检测结果为正的所有样本。
检测结果为正的样本,的确是检测出来的结果,但其标签未必也为正对吧?所以两者是有区别的,就在分母。
总之,Recall的分母,是检测出的结果中,真实标签为正样本的样本总数,Precision的分母,是检测出的正样本总数。
区别如下:
5.平均精度:Average-Precision(AP),与MAP
P---->AP---------->MAP
P就是precision,精确率,测试的时候,每张图像得一个P,所有图像计算完去平均得AP,所有类得MAP
什么是MAP?这样想:正样本和负样本只是分了2类,如果是将正样本再细分为多类目标,就有个AP1、AP2.....,平均下来就是MAP了。
如果只有正样本和负样本,那么MAP=AP。