一、檢測-正确-相關評價名額
1、準确率（Accuracy）：
分對的樣本數除以所有的樣本數 ，即：準确（分類）率 = 正确預測的正反例數 / 總數。
準确率一般用來評估模型的全局準确程度，不能包含太多資訊，無法全面評價一個模型性能。
2、召回率（recall）和 精确率（Precision）：
召回率（recall）又被稱為查全率，預測為正例（positive）的樣本中正确的數量除以真正的Positive的數量，即：
Recall = 被正确識别出來的正樣本的數目 / 被正确識别出來的正樣本的數目 + 被錯誤識别的正樣本的數目
= 被正确識别出來的正樣本的數目 / 測試資料集中所有的正樣本的數目
精确率（precision）就是在識别出來的所有的被認為是正樣本的圖檔中，包含的真正正樣本的比率：
Precision = 被正确識别出來的正樣本數目 / 被正确識别出來的正樣本數目 + 原為負樣本但被識别為正樣本的圖檔數目
= 被正确識别出來的正樣本數目 / 被識别為正樣本的圖檔的總數
P-R曲線：畫出-當選取不同門檻值時對應的精度（precision）和召回率（recall）：
一般來說PR曲線的總體趨勢：精度越高，召回越低。在正樣本非常少的情況下，PR表現的效果會更好。
一般我們希望精确率越高，召回率越高，那麼我們的模型和算法就越高效。也就是畫出來的PR曲線越靠近右上越好。
3、 平均精度（Average Precision，AP）和Mean Average Precision（MAP）
平均精度即：資料集中所有圖檔上的某個類，在固定的IOU門檻值下，在不同召回率下，檢出精度的均值。也是P-R曲線圍起來的面積，通常來說一個越好的分類器，AP值越高。
mAP：是多個類别AP的平均值。這個mean的意思是對每個類的AP再求平均，得到的就是mAP的值，mAP的大小一定在[0,1]區間，越大越好。該名額是目标檢測算法中最重要的一個。
4、F名額（F-Measure，F-score）:
實際應用到分類時，需要綜合考慮精度，召回。選取一個門檻值，F-Measure是選取這個門檻值的常用手段：
β是關與召回的權重，大于1說明更看重召回的影響，小于1則更看重精度，等于1相當于兩者的調和平均，這裡得到一個常用的名額F1-Measure。
F1名額（F1-Measure）：
用F1名額時，隻需要選取F1名額最大時的門檻值即可。
二、檢測-錯誤-相關評價名額
1、錯誤率（Error rate）：
錯誤率則與正确率相反，描述被分類器錯分的比例，即：
誤分類率=錯誤預測的正反例數/總數 = 1 - 準确（分類）率
2、混淆矩陣 （Confusion Matrix）：
混淆矩陣又被稱為錯誤矩陣， 在每個類别下，模型預測錯誤的結果數量，以及錯誤預測的類别
和正确預測的數量，都在一個矩陣下面顯示出來，友善直覺的評估模型分類的結果。
混淆矩陣中的橫軸是模型預測的類别數量統計，縱軸是資料真實标簽的數量統計。
對角線，表示模型預測和資料标簽一緻的數目，是以對角線之和除以測試集總數就是準确率。對角線上數字越大越
好，在可視化結果中顔色越深，說明模型在該類的預測準确率越高。
按行來看，每行不在對角線位置的就是錯誤預測的類别。
總的來說，我們希望對角線的數值越高越好，非對角線數值越低越好，可視化對角線時可以進行歸一化[normalize]處理。
三、檢測-其他-相關評價名額
1、交并比（Intersection Over Union，IOU）：
IOU定義了兩個bounding box的重疊度，用來确定識别出的bounding box和人工标注的資料的比對度，如下圖所示：
矩形框A、B的一個重合度IOU計算公式為：
IOU=(A∩B)/(A∪B)
就是矩形框A、B的重疊面積占A、B并集的面積比例:
IOU=SI/(SA+SB-SI)
2、FPS(Frames Per Second)：
每秒處理圖像的幀數
區分：1）FLOPS：每秒浮點運算次數、每秒峰值速度
2）GOPS：10億次/每秒是衡量處理器計算能力的名額機關。
3）TPS(Transaction Per second) ：每秒鐘系統能夠處理事務或交易的數量，它是衡量系統處理能力的
重要名額。
ROC、AR什麼的之後在寫...
參考文章：
https://zhuanlan.zhihu.com/p/33273532
https://www.cnblogs.com/eilearn/p/9071440.html