iou標準介紹
1目標檢測和影象分割的評價標準是一樣的，核心都是使用iou標準；
2 目標檢測和影象分割使用的iou方法都是一樣的，不同的是目標檢測面向判斷選定框和**框；而影象分割面向的是選定掩碼和**掩碼；
3 在目標檢測中，檢測目標用box進行評價。我們的iou評價方式為(將**框和選定框放入公式中去判定)；
而在影象分割中，我們用掩碼來進行評價，iou評價方式為(將**掩碼和選定掩碼放入公式匯中去判定):
1、iou相當於兩個區域重疊的部分除以兩個區域的集合部分得出的結果，iou算出的值score ＞ 0.5 就可以被認為乙個不錯的結果了；
2、用於衡量特定資料集上物件檢測器的準確性；
iou一般都是基於類進行計算的，也有基於計算的。一定要看清資料集的評價標準.
基於類進行計算的iou就是將每一類的iou計算之後累加，再進行平均，得到的就是基於全域性的評價，所以我們求的iou其實是取了均值的iou，也就是均交並比（mean iou）
在進行語義分割結果評價的時候，常常將**出來的結果分為四個部分：true positive,false positive,true negative,false negative,其中negative就是指非物體標籤的部分(可以直接理解為背景)，positive就是指有標籤的部分;
在圖上可以清晰的看到，prediction圖被分成四個部分，其中大塊的白色斜線標記的是true negative（tn，**中真實的背景部分），紅色線部分標記是false negative（fn，**中被**為背景，但實際上並不是背景的部分），藍色的斜線是false positive（fp，**中分割為某標籤的部分，但是實際上並不是該標籤所屬的部分），中間螢光黃色塊就是true positive（tp，**的某標籤部分，符合真值）。
mean iou(均交並比)
識別或者分割影象一般都有好幾個類別，所以我們把每個分類得出的分數進行平均一下就可以得到mean iou，也就是miou。
ap衡量的是學出來的模型在每個類別上的好壞，map衡量的是學出的模型在所有類別上的好壞。
上面所述的iou只是用於評價一幅圖的標準，如果我們要評價一套演算法，並不能只從一張的標準中得出結論。一般對於乙個資料集、或者乙個模型來說。評價的標準通常來說遍歷所有影象中各種型別、各種大小(size)還有標準中設定閾值.**中得出的結論資料，就是從這些規則中得出的。
precision(準確率)：表示符合要求的正確識別物體的個數佔總識別出的物體個數的百分數。越大越好
recall(召回率)：表示符合要求正確識別物體的個數佔測試集中物體的總個數的百分數。越大越好
fp（false positive）,誤報：即**錯誤(演算法**出乙個不存在的物體)
tp（true positive）,正確:既**正確(演算法在物體規定範圍內**出了該物體)
tn(true negative):演算法**出了此處是背景，也就是說此處沒有任何物體，當然也沒有mask。
上面是coco的評價標準，表示在所有檢測出來的目標有多大的比率是正確的。而有些任務因為側重不同所以公式也稍有變化。比如下面的公式，加入了fn，沒有檢測出來的實際物體也進行了計算.
參考資料
語義分割的評價指標MIoU那點事兒
語義分割，簡單地講就是給一張影象，分割分出乙個物體的準確輪廓。其實就是分類任務，而分類任務 的結果往往就是一下四種 tp true positive fp false positive tn true negative fn false negative 其中，t f表示 與實際是否相符 p n表示...
語義分割 語義分割任務中最常用的評價指標
語義分割目前在自動駕駛場景解析 醫學影象分割等多個領域被廣泛應用，簡言之，是對每個畫素進行分類。目前語義分割中最常用的評價指標是平均交並比 mean inetersection over union，簡稱miou 這個最常用 和 畫素準確率 pixel accuracy，簡稱pa 在主流的期刊 會議...
模型評價指標
機器學習模型中常見的是分類問題，分類模型的評價指標主要有 1 精確率 2 召回率 3 f值 4 auc值 roc曲線 分類問題可劃分成二分類和多分類問題，其中二分類最為常見，多分類問題大都也是轉化成二分類問題求解，因此本文主要基於二分類模型進行模型評價指標的分析。1 給定標記好的模型訓練資料，經分類...