本文主要是介绍目标检测一般性问题，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Precision(查准率/精确率)
所有预测为正样本的结果中，预测正确的比率。
Precision = TP / (TP + FP)
Recall (查全率/召回率)
所有正样本中被正确预测的比率。
Recall = TP / (TP + FN)
| 正样本 | 负样本 | |
|---|---|---|
| 预测为正 | True Positive(TP) | False Positive(FP) |
| 预测为负 | False Negative(FN) | True Negative(TN) |
精确率（precision）和call）计算时不涉及NMS，也就是说如果FP(预测为正样本实际是负样本）或者FN（预测为负样本实际是正样本）比较大也会导致精确率或者召回率低。在OCR的版面分析中比较突出。
PR曲线（Precision-Recall）
Recall为横坐标，Precision为纵坐标组成的曲线，
AP（Average Precision：PR曲线下面积）
AP：在固定IOU下，某一类别所有图片平均精度
mAP（mean Average Precision）
mAP：各类别AP的平均值
IoU（Intersection over Union）
IoU也称作交并比，评价边界框正确性的度量指标，表示detection box（检测框）与ground truth（真实标签）的交集和并集的比值。
mAP@0.5（IoU=0.5）
TP：IoU>0.5 的检测框数量（同一GT只计算一次）
FP：IoU<=0.5 的检测框数量，或检测到同一个 GT 的多余检测框的数量
nms和P，R，map原理及在Yolov5代码中的解析_yolov5p r计算-CSDN博客
mAP@0.5:0.95
表示在不同IoU阈值（从0.5到0.95，步长0.05）上的mAP的平均值。
(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)
F1-score
是衡量二分类模型精度的一种指标，兼顾了分类模型的精确率和召回率。它是精确率和召回率的调和平均数，最大为1，最小为0。F1-score越大自然说明模型质量更高。但是还要考虑模型的泛化能力，F1-score过高但不能造成过拟合，影响模型的泛化能力
F1-score = 2(Precision × Recall )/(Precision + Recall)(10 封私信 / 30 条消息) F1-score是越大越好吗? - 知乎 (zhihu.com)
这篇关于目标检测一般性问题的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
