图像分割指标

图像常用指标：

首先介绍混淆矩阵中的数值：

TP：正确正样本数，即预测为正，实际也为正

TN：正确负样本数，即预测为负，实际也为负

FP：错误正样本数，即预测为正，实际为负

FN：错误负样本数，即预测为负，实际为正

TP+FN：真实正样本总和

FP+TN：真实负样本总和

TP+TN：正确分类样本总和

TP+FP：预测正样本总和

FP+TN：预测负样本总和

Accuary（准确率）：TP+TN / 样本总和

这个指标基本没啥用，毕竟负样本并不关心

Precision(精确率，查准率)：TP/(TP+FP)

正确正样本数比上预测中所有的正样本数。Precision越高，说明误检的越少

Recall（召回率，查全率）：TP/(TP+FN)

正确正样本数比上真实中正样本数，Recall越高，说明漏检越少。

Iou(交并比)：TP / (TP+FP+FN)

交集为TP，并集为预测中的正样本数加预测错误的负样本数

F1分数：2*recall*precision/(recall + precision)

总体衡量recall和Precision，f1表示两种指标同等重要。一般来说，recall和precison都是越大越好，但并不是所有模型都可以做到两者都高，一般都会存在一方高一方低，所以采用f1分数来统一衡量。