recall、persion、AP、mAP
<ul>
<li>精度(precision):预测框中包含目标的比例。表示正确分为正例的个数(TP)占被分为正例的样本(TP+FP)的比重。</li>
</ul>
<p>这里举一个例子来介绍这些TP、FP等:假设现在有一个分类任务判断有整个学校里有女生,女生被记为正例(positive),男生被记为负例(negative)。
(1)True positives(TP): 被正确地划分为正例的个数,即实际上是女生且被分类器划分为女生的样本数;
(2)False positives(FP): 被错误地划分为正例的个数,即实际上是男生但被分类器划分为女生的样本数;
(3)False negatives(FN):被错误地划分为负例的个数,即实际上是女生但被分类器划分为男生的实例数;
(4)True negatives(TN): 被正确地划分为负例的个数,即实际上为男生且被分类器划分为男生的实例数。</p>
<ul>
<li>
<p>召回率(recall):真正目标被检测出来的比例。也就是被正确分为正例的个数(TP)占原始数据中全部正例(TP+FN)的比重。</p>
</li>
<li>
<p>AP:是PR曲线(recell为横坐标,precision为纵坐标)围成的面积,用来衡量对一个类检测的好坏。</p>
</li>
<li>mAP:是所有类AP的平均值,衡量多类别目标检测的好坏。</li>
</ul>
<h1>参考文献</h1>
<p><a href="https://blog.csdn.net/m0_46378271/article/details/126089673">https://blog.csdn.net/m0_46378271/article/details/126089673</a></p>