召回（recall），查准（precision），平均精度（ap） 之间的关系

召回率（tp/(tp+fn)）和查准率(tp/(tp+fp))相对比较好理解，平均精度的理解相对比较难些，主要是物理意义不够明确，可参考（ap的计算 - 程序员大本营），至少对我来讲是这样的，做项目的使用用到openmmlab，一个很好的ai框架，在使用他们的检测框架时，默认会打印出上述三个参数。他们其实也会受一些超参数（阈值）的影响。比如，NMS_thresh,  iou_thresh, confidence_thresh, 分别对应的物理意义是：

conf_thresh, 就是检测物体框的置信度，它包含物体的概率或分数

Nms_thresh, 就是极大值抑制里面的一个参数，主要用于减少重复预测框的数量

iou_thresh,  就是预测和GT两个框的交并比参数，高于就代表有正，低于代表负

下面主要针对这三个参数的调整进行直观的说明：

conf_thresh=0.05,  nms_thresh=0.6, iou_thresh=0.25

图表中gts是每个类的框的个数，dets是最终预测框的个数，它是和上面的三个参数有关的额

conf_thresh=0.25,  nms_thresh=0.6, iou_thresh=0.25

把conf_thresh从0.05提高的0.25， dets的数量明显减少，这是因为提高了预测框的置信度门槛，从而减少了预测框，一定程度会使recall降低， 同时也就减少了fp，precsition从而提高了。因为训练的模型预测处的框会远远多于实际框数量，所以才进行后续的滤除，若部滤除的话，如果一张图里面有5个目标，也就是需要预测5个框即可，但是可能预测处1000个框，那这100个框就很容易包括那真实的5个框，这样的话查全率（recall）比如很高，但是这又造成了大量的fp，所以查准率（precision）会很低，如上图所示。

conf_thresh=0.05,  nms_thresh=0.5, iou_thresh=0.25

把nms_thr从0.6降低为0.5，这样极大值抑制时，使消除框门槛降低，从而使消除框的数量增加，fp数量进一步减少，precision进一步提高，同时recall的也受影响并微弱降低。