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>