关于目标检测中的Precision和Recall举例说明（转载自知乎Mario）

对于Precision值，其代表的是你 所预测出来准确结果占 “所有预测结果” 的准确性；

对于Recall值，其代表的是你 所预测出来准确结果占 “总体正样本” 的准确性。

举例：
现在你手上有10个鸡蛋，里面有6个是好的，另外4个是坏的，你训练出一个模型，检测出8个鸡蛋是好的，但实际上只有5个是好的，另外3个是坏的。那么模型的Precision值为5/8=0.625，即表示你所预测出来的8个鸡蛋中只有5个是好的，其值只在你预测结果中计算得到，Recall值为5/6=0.833，即表示总共有6个正样本，你预测出来5个，表示的是你预测出来的正样本占总正样本的比例。(正样本理解为你要检测的目标)

即可以这样简单记为：

recall也叫召回率，记做R，表示你预测的结果中有多少正样本被正确检测出来，当R=100%的时候，表示没有漏检；

precision也叫精确率，记做P，表示你预测的结果中有多少样本是正确的，当P=100%的时候，表示没有误检。

清楚这个，我们就能根据不同的任务来对应提高Precision或者Recall值，一般来说，提高一个，另一个的值则会降低。所以AP曲线是由Recall和Precision两个维度下曲线下面包围的面积，一般Recall比较低的时候，Precision比较高，Recall比较高的时候，Precision会比较低。

参考链接：

1. 知乎Mario：目标检测中的Precision和Recall