Precision(精确率/查准率)：是指在所有被预测为正的样本中，确实是正样本的占比。当Precision越大时，FP越小，此时将其他类别预测为本类别的个数也就越少，可以理解为预测出的正例纯度越高。Precision越高，误检越少。

Recall(召回率/查全率)：是指在所有确实为正的样本中，被预测为正样本的占比。当Recall越大时，FN越小，此时将正例预测为负例的个数越少，可以理解为把全部的正例挑出来的越多。Recall越高，漏检越少。

P-R曲线即为分别以Precision与Recall为坐标围成的曲线。若一个模型的P-R曲线完全将另一模型的P-R曲线包裹，那么这个模型预测结果一定优于另一模型。

F1-score如果有不同的几个模型，他们有着不同的Precision与Recall，那么我们应该如何挑最优的模型？最直接的办法就是取Precision与Recall的平均值，但取平均值并不可取。因为有时二者有一个极高，一个极低时，这样平均值是高的，但实际的效果并不会好。这时就要用F1-score来权衡Precision与Recall的平均值。

AP(Average Precision)是PR曲线围成的面积，用来衡量对一个类检测的好坏。

mAP(mean Average Precision)是所有类AP的平均值，衡量多类别目标检测的好坏。
1、mAP@0.5
在YOLO模型中，你会见到mAP@0.5这样的表现形式，这种形式表示在IOU阈值为0.5的情况下，mAP的值为多少。当预测框与标注框的IOU大于0.5时，就认为这个对象预测正确，在这个前提下再去计算mAP。
2、mAP@[0.5:0.95]
YOLO模型中还存在mAP@[0.5:0.95]这样一种表现形式，这形式是多个IOU阈值下的mAP，会在q区间[0.5,0.95]内，以0.05为步长，取10个IOU阈值，分别计算这10个IOU阈值下的mAP，再取平均值。3、mAP@[0.5:0.95]越大，表示预测框越精准，因为它去取到了更多IOU阈值大的情况。
4、mAP(IoU@0.75)，这是一个对检测能力要求更高的标准。
5、mAP@small，检测目标的面积 ≤ 32x32
6、mAP@medium，32x32 ＜ 检测目标的面积 ≤ 96x96
7、mAP@Large，96x96 ＜ 检测目标的面积
————————————————
版权声明：本文为CSDN博主「Aliert」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_38375203/article/details/125391658

目标检测的评估指标——mAP