目标检测评估指标 mAP P R

R（召回率recall）=正确预测的正样本数/实际拥有的正样本数

P（准确率precision）=正确预测的正样本数/总预测样本数

R是查全率，P是查准率，是两个不同维度的衡量方法。有时这两个是矛盾的，比如只检测出了一个结果，且是正确的，那么P就是100%，但是R就会很低。如果我们把所有认为可能的结果都返回，那么P可能就会很低，R就很高

比如：

R高P低：所有汽车都被正确识别出来，但是很多卡车也被误认为是汽车

R低P高：识别出的飞机都是正确的，但还有很多飞机没被识别出来

所以衡量一个模型的性能只看P或R不行，所以引入了AP（平均准确度Average Precision），简单来说就是对PR曲线求积分，如下图 

在yolov5训练实例中

我对参数的理解：mAP@.5代表IoU为0.5下的平均AP值，mAP@.95代表IoU为0.95下的平均AP值。在IOU为0.5时，预测框与ground truth部分只要有一部分交集就被判断为预测正确。而在IOU=0.95时，预测框要与ground truth高度重合才能算作预测正确，门槛相对挺高了，所以mAP@.95相比于mAP@.5更具有可信度。所以最后一个参数mAP@.5:.95应该是最重要的衡量指标，值越高代表模型的识别率越好。通过观察发现，每一轮的epoch过后，如果mAP@.5:.95这个参数比之前epoch的要大，那么best.pt就会更新，这也证实了我的想法

 

更多mAP解释:https://towardsdatascience.com/breaking-down-mean-average-precision-map-ae462f623a52