1、IOU

分割或者目标检测预测prediction，可以分成4个部分：
1、true negative（TN）把区域A，预测为是背景，并且确实是背景
2、false negative（FN）画出了一块区域B，预测是背景，但是实际上是标签
3、false positive（FP）画出一块区域C，预测是标签，其实是背景
4、true positive（TP）画出一块区域D，预测是标签，确实是标签
在评价的时候常用的指标有：IOU（交并比，也有叫做IU的），像素准确率（pixel-accuracy），有的时候还有平均准确率（mean-accuracy）

总结一下：看最后一个字母是N就是预测是背景，那么真实的标签是不是背景呢？看第一个字母，是T就是，预测的是背景，确实是背景；是F，就说明，预测是背景，其实是标签；再来，看第二个字母是P，说明预测是标签，是不是呢？看第一个字母，是T，预测的标签，事实确实就是标签，是F，预测是标签，事实上是背景。

然后

再通俗地说就是

不好意思，上面的图画错了，T和P的颜色和对应关系画反了，应该是：
这个图

解释一下我画的图：
nIOU是预测是标签真实确实是标签的所有像素 / （你预测的部分的像素 + 真实标签的像素 - 分子）

2、混淆矩阵

https://zhuanlan.zhihu.com/p/360765777

混淆矩阵是一个总结分类器所得结果的矩阵，一般为k行k列（k为分类的类别数）。以二分类为例，混淆矩阵如下图所示。

• 假阳性率（FPR）
  
  FP就是预测是标签，但是实际上是背景，希望这件事情不要发生，所以假阳性率越小越好。
  再说一下上面的公式：FP，假阳，预测是标签，实际是背景，预测错了，用FP比上（FP+TN），比上它自己然后加上，TN，就是预测是背景，并且预测对了，所以就是
  
  记住FP就是背景，怎么看，先看P标签，再看F，假的，假的标签就是背景
  TN，一看N背景，再看T真的，真背景，显然是背景
  所以FP+TN就是总的背景的像素数。
  希望模型别老把背景认成标签，希望你小一点，（你就是这个假阳率指标）
• 真阳性率（TPR）
  
  TP就是预测的是标签，实际上它确实是标签，说明预测对了，所以希望真阳性率越大越好。（也是召回率的公式）
  
  希望模型把标签的区域都预测出来啊，所以希望你大一些

通过设定一个阈值如0.6，概率大于等于0.6的为标签，小于0.6的为背景。对应的就可以算出一组(FPR,TPR),在平面中得到对应坐标点。随着阈值的逐渐减小，越来越多的实例（比如像素）被划分为标签，但是这些标签中同样也掺杂着真正的背景，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0),阈值最小时，对应坐标点(1,1)。

3、ROC曲线

ROC曲线是Receiver Operating Characteristic Curve的简称，中文名是受试者工作特征曲线。
如何画ROC曲线：

（1）首先，ROC曲线的横坐标是假阳性率FPR，纵坐标是真阳性率TPR。
（2）其次，明确计算ROC的时候，预测值y_pred一般都是[0, 1]的小数（代表预测为正样本的概率），真实值y_true为0或1。如果计算FPR和TPR，我们就需要知道预测的正负样本情况，但给的预测值是小数，如何划分预测的正负样本呢？答案是选取截断点（阈值）。
（3）截断点是指区分正负预测结果的阈值。比如截断点=0.1，那就表示y_pred<0.1的为预测为负样本，y_pred>=0.1预测正样本。所以绘制ROC曲线需要不断移动“截断点”（调整阈值）来得到所有的(FPR，TPR)点，然后把这些点用线段连起来就是ROC曲线了。

计算ROC
详细过程见我写的word文档。