评价指标（Evaluation Metrics）
-
-
- 混淆矩阵（Confusion Matrix）
- 归一化混淆矩阵（Normalized Confusion Matrix）
- 精确度（Precision）
- 召回率（Recall）
- F1值（F1-Score）
- 平均精确度（Average Precision, AP）
- 平均精确度（Mean Average Precision, mAP）
- 交并比（Intersection Over Union, IoU）
- mAP50
- mAP50-95
- 检测时间（Detection Time）
- 每秒帧率（Frames Per Second, FPS）
-
混淆矩阵（Confusion Matrix）
下面介绍四个概念：
-
真阳性（True Positive, TP）
TP：模型预测是行人，预测正确（实际是行人，而且也被模型预测为是行人）
-
真阴性（True Negative, TN）
TN：模型预测非行人，预测正确（实际不是行人，而且也被模型预测为非行人）
-
假阳性（False Positive, FP）
FP：模型预测是行人，预测错误（实际非行人，但是被模型预测为是行人）
-
假阴性（False Negative, FN）
FN：模型预测非行人，预测错误（实际是行人，但是被模型预测为非行人）
混淆矩阵是对检测结果的可视化概览，是一种用于评估和可视化分类模型性能的重要工具。它以表格形式展现，直观地显示了模型预测类别与实际类别之间的对应关系（即TP、TN、FP、FN）。
归一化混淆矩阵（Normalized Confusion Matrix）
混淆矩阵的归一化，就是对混淆矩阵所有数值整体做了归一化处理，即将每个单元格的值除以该类别实际样本数，从而得到表示分类准确率的百分比。这种标准化可以直观地比较类别间的分类准确率，并识别出模型在不同类别上表现的差异。在归一化混淆矩阵中，对角线颜色越深，代表该模型对于此数据集的各类别识别能力越强。
精确度（Precision）
在被分类器预测为正例的样本中有多少是正确的。
召回率（Recall）
在所有实际为正例的样本中有多少被分类器预测为正例。
F1值（F1-Score）
它是精确度和召回率的综合表现，当精确度和召回率出现难以权衡的时候使用。
平均精确度（Average Precision, AP）
用于计算不同类别的平均精确度。
平均精确度（Mean Average Precision, mAP）
多类别问题的平均精确度。
交并比（Intersection Over Union, IoU）
- 在目标检测中，它用于衡量模型生成的候选框与原标记框之间的重叠程度。
- IoU值越大，表示两个框之间的相似性越高。通常，当IoU值大于0.5时，认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。
mAP50
- 定义：mAP50 是指 IoU 阈值固定为 0.5 时计算得到的平均精度均值。
- 特点：mAP50 更关注于检测框与真实框之间的重叠程度大于等于 50% 的情况。这意味着即使检测框与真实框的重叠程度较低，只要超过 50%，也会被视为正确检测。
mAP50-95
- 定义：mAP50-95 是指在 IoU 阈值从 0.5 到 0.95 之间，每隔 0.05 计算一次 AP（Average Precision），然后取这些 AP 的平均值。
- 特点：mAP50-95 更全面地考虑了不同重叠程度下的检测质量，这要求模型不仅能够检测出目标，还要确保检测框与真实框之间的重叠足够高。
检测时间（Detection Time）
- 预处理（Preprocess）：对输入数据进行初步处理的阶段。
- 推理（Inference）：模型实际运行的阶段，基于预处理后的数据执行前向传播计算。
- 损失计算（Loss）：损失计算主要用于训练阶段，评估模型输出与真实标签之间的差距。
- 后处理（Postprocess）：这是将模型的输出转化为可解释的结果的过程。
每秒帧率（Frames Per Second, FPS）
它用于评估模型在给定硬件上的处理速度，即每秒可以处理的图片数量，该指标对于实现实时检测非常重要，因为只有处理速度快，才能满足实时检测的需求。
