Yolo F1_Confidence Cure 和 P_curve

"F1_Confidence Curve"通常用于评估目标检测模型在不同置信度阈值下的性能。它是 F1 分数和置信度阈值之间的曲线关系图。在目标检测任务中，通常使用 F1 分数来衡量模型在检测目标时的精确度和召回率的综合表现。将不同的置信度阈值应用于检测结果可以得到一系列的 F1 分数，这些分数构成了 F1_Confidence Curve。这个曲线可以帮助确定在不同置信度水平下模型的性能表现，并且可以帮助选择最佳的置信度阈值，以平衡精确度和召回率。

P_curve"通常指的是 Precision-Recall Curve（精确率-召回率曲线），在目标检测任务中，精确率指的是检测出的目标中真正为目标比例，而召回率(Recall)指的是真正为目标的样本中成功被检测出的比例，P_curve 展示了在不同阈值下模型的精确率和召回率之间的权衡关系。通过观察P_curve，可以评估模型在不同精度和召回率下的表现，并选择适当的阈值来平衡模型的性能。
例如：
1.精确率(Precision)：指的是检测出的目标中真正目标的比例，例如，如果模型检测出10个目标，其中8个为真正的目标，那么精确率是80%

2.召回率(Recall)：指的是所有真正为目标的样本中被成功检测出的比例。例如，如果有10个真正的目标，模型检测出了7个，那么召回率就是70%。

        1.1提高阈值通常会增加精确率（减少误报），但可能会降低召回率（漏报更多真正的目标）

        1.2降低阈值则反之，可能会增加召回率，但同时会减少精确率。

所以我们可以通过观察P_curve，可以找到精度，召回都较为满意的阈值点，从而达到模型平衡性能的效果。这个过程有助于根据具体需求调整模型。