1.準確率:Accuracy
就是檢測出來的目標中,與xml標籤中一致的佔多少。
2.精確率:Precision
與準確率的區別:就一點:準確率的分母是所有樣本。
而精確率的分母,不是要輸入分類器的所有樣本,而是分類爲正的所有樣本,是前者的一個子集。
3.混淆矩陣:Confusion Matrix
橫軸爲預測標籤,縱軸爲xml實際標籤。
舉例:模型預測爲A的樣本,實際標籤爲A的佔80%(預測對的80%),實際標籤爲B的佔20%,
所以其實中間那條線顏色越濃越好,說明每一類的預測對了。如果沒有,就說明有誤檢。這個指標用來衡量類別之間的檢測錯誤還是挺清楚的。
4. 召回率:Recall
分子與精確率一樣,就是檢測對的正樣本。分母不一樣:Recall的分母是檢測出來的結果中,標籤爲正的樣本數量。
而精確率的分母是:檢測結果爲正的所有樣本。
檢測結果爲正的樣本,的確是檢測出來的結果,但其標籤未必也爲正對吧?所以兩者是有區別的,就在分母。
總之,Recall的分母,是檢測出的結果中,真實標籤爲正樣本的樣本總數,Precision的分母,是檢測出的正樣本總數。
區別如下:
5.平均精度:Average-Precision(AP),與MAP
P---->AP---------->MAP
P就是precision,精確率,測試的時候,每張圖像得一個P,所有圖像計算完去平均得AP,所有類得MAP
什麼是MAP?這樣想:正樣本和負樣本只是分了2類,如果是將正樣本再細分爲多類目標,就有個AP1、AP2.....,平均下來就是MAP了。
如果只有正樣本和負樣本,那麼MAP=AP。