🤵 Author ：Horizon Max
✨ 编程技巧篇：各种操作小结
🎇 机器视觉篇：会变魔术 OpenCV
💥 深度学习篇：简单入门 PyTorch
🏆 神经网络篇：经典网络模型
💻 算法篇：再忙也别忘了 LeetCode
[ 目标检测 ] 经典网络模型——性能评价指标
🚀 正负样本——TP TN FP FN
TP（True Positives）：被 正确 的划分为 正样本 ；
TN（True Negatives）： 被 正确 的划分为 负样本 ；
FP（False Positives）： 被 错误 的划分为 正样本 ；
FN（False Negatives）：被 错误 的划分为 负样本 ；
🚀 Precision、Recall、Accuracy
精确率（Precision）：预测 正确 的部分在 预测框 中的占比，即 Precision = T P T P + F P \frac {TP} {TP+FP} TP+FPTP ；
召回率（Recall）：预测 正确 的部分在 真实框 中的占比，即 Recall = T P T P + F N \frac {TP} {TP+FN} TP+FNTP ；
准确率（Accuracy）：预测 正确 的部分在样本整体中的占比，即 Accuracy = T P + T N T P + T N + F P + F N \frac {TP+TN} {TP+TN+FP+FN} TP+TN+FP+FNTP+TN ；
🚀 Precision-Recall 曲线
PR曲线：通过改变置信度为每个目标类别绘制出一条 Precision-Recall 曲线 ；
🚀 AP、mAP
AP（Average Precision）：识别正确的样本数占识别样本总数的百分数，对应着PR曲线下面的面积 ；
mAP（Mean Average Precision）：所有类别AP值的平均数，通常将mAP作为评估模型性能的最终指标 ；
🚀 IoU (Intersection over Union)
IoU：表示预测框与真实框之间的重叠层度，IoU = 交集 并集 \frac {交集} {并集} 并集交集 = T P T P + F P + F N \frac {TP} {TP+FP+FN} TP+FP+FNTP ；
🚀 FPS (Frames Per Second)
FPS ：帧每秒，用于评估模型检测的速度，FPS越高实时性越好 ；