Precision和Recall理解

1.Precision精确率：找得对

精确度P=模型判断为正类且真实样本确实为正类的数量 / 模型对于某一类别的预测框数量，简单而言就是，模型预测的数量框中，预测正确的数量；
如果单纯的依靠精确率P判断模型检测能力好坏，此时有一个问题，假设一张图片中有5只猫，模型预测框检测到了1个，而这个预测框跟图片的一只猫的IoU>0.5，那么此时精确度P=1，但是显然模型的检测能力是有问题的。
TP：只要IoU大于阈值，就是TP，如果有多个预测框的IoU大于阈值，则只取最大的IoU作为阈值，其他为FP
FP：跟TP相反，
FN：漏检的数量，比如对于一张图片，有3只猫，模型的预测框只跟一只猫的真实框有IoU且为TP，那么此时FN=2。通常，FN的计算方式为：FN=Num_objs - TP

2. Recall召回率（查全率）：找得全

假如一张图片有5只猫，模型预测出了100个框，其中5个框准确检测到了图片中的5只猫而且其余的95个框检测的位置没有与那5个框检测的对应的GT有IoU（即此时TP=5，FP=0，FN=0），那么R=TP/(TP+FN)=1，显然也是不能合理判断模型的。

3.AP指标的作用：

AP衡量的是学出来的模型在每个类别上的好坏，
AP的计算过程为：单个类别的召回率从0~1所对应的精度的平均。

4.mAP的作用

衡量的是学出的模型在所有类别上的好坏，得到所有类别的ap的总和除以类别数量。
在目标检测算法中常用的评价指标是mAP(mean average precision)，这是一个可以用来度量模型预测框类别和位置是否准确的指标。
目标检测的效果取决于预测框的位置和类别是否准确，从mAP的计算过程中可以看出通过计算预测框和真实框的IoU来判断预测框是否准确预测到了位置信息，同时精确度和召回率指标的引用可以评价预测框的类别是否准确，因此mAP是目前目标检测领域非常常用的评价指标