yolo,mAP, F1值, 召回率（Recall），精确率（Precision），(TP,TN,FP,FN)，交除并（Intersection-over-Union（IoU））

一.深度学习中的F1值

1.1 公式

F1 = 2 * (精确度 * 召回率) / (精确度 + 召回率)

1.2 是什么？

F1也叫F1-Score或者F1-Measure，F1值是精确度和召回率的调和平均数。

1.3 作用

评估模型在检测任务中的精确度和召回率的一个综合指标。

F1值的取值范围在0到1之间，数值越接近1表示模型性能越好。当精确度和召回率都很高时，F1值也较高，说明模型能够在检测任务中取得较为平衡的表现。

Intersection over Union (IoU)

公式

IoU = 预测的框 ∩ 真实的框 / 预测的框 ∪ 真实的框 

红色框是预测的边界
绿色的是真实的边界

3.Precision

$$precision=\frac{tp}{tp+fp}=\frac{正确检测的个数}{检测出来的所有目标个数}$$

tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fp:预测错误 且 预测出来的结果是正 (说明使用的是负样本) 的图片数量

4.recall

$$recall=\frac{tp}{tp+fn}=\frac{正确检测的个数}{真实存在的目标个数}$$

tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fn:预测错误 且 预测出来的结果是负 (说明使用的是正样本) 的图片数量

precisions: 分母使用的预测结果都是正
recall: 分母使用的都是正样本

参考连接：【YOLO学习】召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））
参考链接：Mean Average Precision (mAP) Explained: Everything You Need to Know