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，另外两个检测成人了， TP = 1， FP = 2。若是你还是不懂，简单点：检测大于阈值的叫做TP（TruePositive)，低于阈值的也就是错误的叫做FP (FalsePositive)

（TP+TN）/N。简单来说就是识别正确的数量占总数量的比例。因为实际中一般不会用到TN所以这个一般不用。

TP/(TP+FP)。查准率，实际的正样本数量占网络认为是正样本的数量的比例。查准率这个名字气的很好，就是看你网络的准确率。在目标检测中TP+FP就是你所有检测出来的bbox。

TP/(TP+FN)。召回率，网络识别出来的真正的正样本占实际的正样本的比例。在目标检测中，TP+FN就是该类别所有的ground truth。

2*(P*R/(P+R))其中P代表precis，R代表recall。目的是定位查准率与召回率的调和平均。

网络预测出来的bboxes与gt的交并比。

AP就是PR曲线下面的面积，map就是平均ap。 看到这里我要插一句了，一般你直觉上map中占主导的应该是Precision但是实际中往往是recall更为重要。也就是说框越多一般来说map越高。

还有一个很重要的问题没有解决，map到底是怎么算出来的呢？？？虽然我们知道原理了，但是具体怎么计算呢？由于篇幅会比较大，所以另起一篇博客

ROC的横轴是假正率(False positive rate， FPR)，FPR = FP / [ FP + TN] ，代表所有负样本中错误预测为正样本的概率，假警报率。ROC的纵轴是真正率(True positive rate， TPR)，TPR = TP / [ TP + FN] ，代表所有正样本中预测正确的概率，命中率。ROC曲线的对角线坐标对应于随即猜测，而坐标点(0,1)也即是左上角坐标对应理想模型。曲线越接近左上角代表检测模型的效果越好。

那么ROC曲线是怎么绘制的呢？有如下几个步骤：

根据每个测试样本属于正样本的概率值从大到小排序。 从高到低，依次将“Score”值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本。 每次选取一个不同的threshold，我们就可以得到一组FPR和TPR，即ROC曲线上的一点。当我们将threshold设置为1和0时，分别可以得到ROC曲线上的(0,0)和(1,1)两个点。将这些(FPR,TPR)对连接起来，就得到了ROC曲线。当threshold取值越多，ROC曲线越平滑。

即为ROC曲线下的面积。AUC越接近于1，分类器性能越好。AUC值是一个概率值，当你随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。当然，AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，即能够更好的分类。AUC的计算公式如下：