一、首先，了解TP 、TN 、FP、 FN的基本概念
TP：被模型预测为正类的正样本（预测正确的正样本）
TN：被模型预测为负类的负样本（预测正确的负样本）
FP：被模型预测为正类的负样本（预测错误的正样本）
FN：被模型预测为负类的正样本（预测错误的负样本）
二、根据TP 、TN 、FP、 FN计算P(precision)、R（recall）
- precision 计算公式：
- recall 计算公式：
- accuracy计算公式：
三、根据P(precision)、R（recall）计算F1-score和iou
F1-Score，又称为平衡F1分数（BalancedScore），它被定义为精确率和召回率的调和平均数。
- F1计算公式：
iou（Intersection over Union）交并比。计算真实值和预测值集合的交集与并集之比。
- iou计算公式：
详细推导过程比较简单，如下所示：
首先根据precision 计算公式和recall 计算公式分别计算FP和FN:
然后把FP和FN代入到IOU的计算公式中：
如有推导错误，欢迎批评指正~~~