⽬标检测中Recall、Precision和IOU
摘要
女人脸上的痣图解在训练YOLO v2的过程中，系统会显⽰出⼀些评价训练效果的值，如Recall，IoU等等。为了怕以后忘了，现在把⾃⼰对这⼏种度量⽅式的理解记录⼀下。好看的手抄报
这⼀⽂章⾸先假设⼀个测试集，然后围绕这⼀测试集来介绍这⼏种度量⽅式的计算⽅法。
⼤雁与飞机
假设现在有这样⼀个测试集，测试集中的图⽚只由⼤雁和飞机两种图⽚组成，如下图所⽰：
我家门前有两棵树假设你的分类系统最终的⽬的是：能取出测试集中所有飞机的图⽚，⽽不是⼤雁的图⽚。
现在做如下的定义：
True positives : 飞机的图⽚被正确的识别成了飞机。
True negatives: ⼤雁的图⽚没有被识别出来，系统正确地认为它们是⼤雁。
Fal positives: ⼤雁的图⽚被错误地识别成了飞机。
Fal negatives: 飞机的图⽚没有被识别出来，系统错误地认为它们是⼤雁。
假设你的分类系统使⽤了上述假设识别出了四个结果，如下图所⽰：
防汛防台
那么在识别出的这四张照⽚中：
True positives : 有三个，画绿⾊框的飞机。
Fal positives: 有⼀个，画红⾊框的⼤雁。
没被识别出来的六张图⽚中：
True negatives : 有四个，这四个⼤雁的图⽚，系统正确地没有把它们识别成飞机。
Fal negatives: 有两个，两个飞机没有被识别出来，系统错误地认为它们是⼤雁。Precision 与 Recall
Precision其实就是在识别出来的图⽚中，True positives所占的⽐率：
其中的n代表的是(True positives + Fal positives)，也就是系统⼀共识别出来多少照⽚。
在这⼀例⼦中，True positives为3，Fal positives为1，所以Precision值是 3/（3+1）=0.75。劳务外包协议
意味着在识别出的结果中，飞机的图⽚占75%。
Recall 是被正确识别出来的飞机个数与测试集中所有飞机的个数的⽐值：involve是什么意思
皮炎能彻底治好吗Recall的分母是(True positives + Fal negatives)，这两个值的和，可以理解为⼀共有多少张飞机的照⽚。在这⼀例⼦中，True positives为3，Fal negatives为2，那么Recall值是 3/（3+2）=0.6。
意味着在所有的飞机图⽚中，60%的飞机被正确的识别成飞机.。
调整阈值
你也可以通过调整阈值，来选择让系统识别出多少图⽚，进⽽改变Precision 或 Recall 的值。
在某种阈值的前提下（蓝⾊虚线），系统识别出了四张图⽚，如下图中所⽰：
分类系统认为⼤于阈值（蓝⾊虚线之上）的四个图⽚更像飞机。
我们可以通过改变阈值（也可以看作上下移动蓝⾊的虚线），来选择让系统识别能出多少个图⽚，当然阈值的变化会导致Precision 与Recall 值发⽣变化。⽐如，把蓝⾊虚线放到第⼀张图⽚下⾯，也就是说让系统只识别出最上⾯的那张飞机图⽚，那么Precision 的值就是100%，⽽Recall 的值则是20%。如果把蓝⾊虚线放到第⼆张图⽚下⾯，也就是说让系统只识别出最上⾯的前两张图⽚，那么Precision 的值还是100%，⽽Recall 的值则增长到是40%。
IoU
IoU 这⼀值，可以理解为系统预测出来的框与原来图⽚中标记的框的重合程度。
计算⽅法即检测结果Detection Result 与 Ground Truth 的交集⽐上它们的并集，即为检测的准确率：
高中生物老师
如下图所⽰：
蓝⾊的框是：GroundTruth
黄⾊的框是：DetectionResult 绿⾊的框是：DetectionResult ⋂ GroundTruth
红⾊的框是：DetectionResult ⋃
GroundTruth
备注：博客来源-blog.csdn/hysteric314/article/details/54093734IoU =
DetectionResult ⋂GroundTruth DetectionResult ⋃GroundTruth
