如果我对自己的数据集进行一些培训或评估，我对指标有一些疑问。我仍然是这个主题的新手，只是试验了tensorflow和googles对象检测api和tensorboard ......
所以我做了所有这些事情，用对象检测api进行操作并对一些图像进行训练，并对其他图像进行了一些评估。
所以我决定使用加权的PASCAL度量标准进行评估：在张量板中，我得到了每个类的一些IoU以及mAP，这很好看，现在问题就出现了。
IoU为我提供了地面实况和预测框的重叠程度的价值，并测量了物体探测器的精确度。
第一个问题：如果没有检测到具有地面实况的物体，是否会对IoU产生影响？
第二个问题：如果一个地面真相对象被预测为假否定，是否会影响IoU？
第三个问题：如果没有真相对象，误报怎么办？
编码问题：
第四个问题：是否有人从对象检测API修改评估工作流程以引入更多指标，如准确度或TP / FP / TN / FN？如果是这样可以为我提供一些解释或您使用的教程的代码 - 这将是非常棒的！
第五个问题：如果我要监测一些过度拟合并拿走我70％traindata的30％并进行一些评估，哪个参数显示我的数据集有一些过度拟合？
也许这些问题是新手问题，或者我只需要阅读和理解更多 - 我不知道 - 所以你的理解更多的帮助表示赞赏!!
谢谢
让我们从定义关于特定对象类的精度开始：它对该类的所有预测的良好预测的比例，即其TP /（TP + FP）。例如，如果你有狗，猫和鸟探测器，那么狗的精确度将是标记为狗的所有预测中正确标记的狗的数量（即，包括错误检测）。
要计算精度，您需要确定每个检测到的框是TP还是FP。要做到这一点，你可以使用IuO测量，即，如果检测到的盒子与某些地面实况盒有重要（例如，50％*）重叠，如果两个盒子属于同一类别，则为TP，否则为其FP（如果检测与任何盒子都不匹配，它也是FP）。
*那些@ 0.5IUO快捷方式来自哪里，你可能已经在带有PASCAL指标的图表标题的Tensorboard中发现了它。
如果估算器输出一些质量度量（甚至概率），您可以决定放弃质量低于某个阈值的所有检测。通常，估计器被训练为输出0到1之间的值。通过更改阈值，您可以调整估计器的调用度量（正确发现的对象的比例）。降低阈值会增加召回率（但会降低精度），反之亦然。平均精度（AP）是在不同阈值上计算的类别预测的平均值，在PASCAL度量中，阈值来自范围[0,0.1，...，1]，即，其针对不同召回水平的精确值的平均值。它试图用一个数字捕获探测器的特征。
平均精确度是所有类别的平均预设值的平均值。例如，对于我们的狗，猫，鸟探测器，它将是（dog_AP + cat_AP + bird_AP）/ 3。
在PASCAL挑战paper第4.2节中可以找到更严格的定义。
关于过度拟合的问题，可能有几个指标，一个可能是，在独立测试/验证集上计算的AP / mAP指标开始下降，而损失仍在减少。