1. 检测精度

1.1 Precision, Recall, F1 score

Precision: 所有Positive的预测中(也就是预测为1)，预测正确的比例。
Recall: 现实中为1的case中，被Positive预测(也就是预测为1，被正确预测了) 的比例是多少。所有正样本中被预测为正的比例。

精度Precision（查准率）评估预测的准不准
召回率Recall（查全率）评估找的全不全

1.2 IoU (Intersection over Union)

真实框与预测框的重叠率

为IoU设置一个阈值，比如如果IoU>=0.5，检测结果为True Positive(TP)；如果IoU<=0.5，检测结果为False Positive(FP)。

1.3 P-R curve (Precison-Recall curve)

不同的阈值会导致精确率和召回率的变化，相应地，PR曲线会在precision-recall空间中绘制出各个阈值对应的点。

1.4 AP (Average Precision)

AP衡量学习出来的模型在每个类别上的好坏。

1.5 mAP (mean Average Precision)

mAP衡量的是学习出的模型在所有类别上的好坏。取所有类别上的AP的平均值。

2. 检测速度

2.1 前传耗时

从输入一张图像到输出最终结果所消耗的时间，包括前处理耗时（e.g 归一化）、网络前传耗时、后处理耗时（如非极大值抑制）

2.2 每秒帧数FPS （Frames Per Second）

每秒钟能处理的图像数量

2.3 浮点运算两（FLOPS）

处理一张图像所需要的浮点运算数量，跟具体软硬件没有关系，可以公平地比较不同算法之间的检测速度。