图像识别模型的评价指标主要包括准确率、召回率、F1分数、ROC曲线和AUC值等。这些指标可以帮助我们评估模型的性能，从而选择最佳模型。
1. 准确率（Accuracy）：准确率是指模型正确预测的样本数占总样本数的比例。在二分类问题中，准确率等于正确预测的正例数除以总样本数。在多分类问题中，准确率等于正确预测的正例数除以预测为正例的样本数。
2. 召回率（Recall）：召回率是指模型正确预测的正例数占总样本数的比例。在二分类问题中，召回率等于正确预测的正例数除以实际为正例的样本数。在多分类问题中，召回率等于正确预测的正例数除以实际为正例的样本数。
3. F1分数（F1 Score）：F1分数是准确率和召回率的调和平均数，计算公式为：F1 = 2 * (Precision * Recall) / (Precision + Recall)。F1分数可以衡量模型的准确性和召回率之间的平衡，通常取值为0到1之间的小数。
4. ROC曲线和AUC值（Receiver Operating Characteristic Curve and AUC Value）：ROC曲线是一种用于评估分类模型性能的方法，它将不同阈值下的真阳性率（True Positive Rate，TPR）和假阴性率（False Negative Rate，FNR）进行可视化。AUC值是ROC曲线下的面积，表示模型在所有可能阈值下的整体性能。AUC值越大，模型性能越好。
除了上述指标外，还有其他一些评价指标，如交叉验证误差、均方误差（MSE）、标准差等。这些指标可以根据具体应用场景和需求进行选择。
总之，图像识别模型的评价指标包括准确率、召回率、F1分数、ROC曲线和AUC值等。选择合适的评价指标对于评估模型性能至关重要。
