15、目标检测模型：评估指标与YOLO算法解析

目标检测模型：评估指标与YOLO算法解析

1. 精度和召回率

精度（Precision）和召回率（Recall）虽通常不直接用于评估目标检测模型，但它们是计算其他指标的基础，因此深入理解这两个概念至关重要。
为衡量精度和召回率，需针对每张图像计算以下内容：
- 真正例（True Positives，TP） ：表示与同一类别的真实标注框匹配的预测框数量。
- 假正例（False Positives，FP） ：指与同一类别的真实标注框不匹配的预测框数量。
- 假反例（False Negatives，FN） ：代表没有匹配预测框的真实标注框数量。

若预测结果与所有真实标注框完全匹配，将不存在假正例和假反例，此时精度和召回率均为1，是理想的得分。若模型常基于不可靠特征预测物体存在，会产生大量假正例，导致精度下降；反之，若模型过于严格，仅在满足精确条件时才认定检测到物体，会出现大量假反例，使召回率降低。

2. 精度 - 召回率曲线

精度 - 召回率曲线在许多机器学习问题中都有应用，其核心思想是可视化模型在每个置信度阈值下的精度和召回率。模型为每个边界框输出一个置信度，取值范围在0到1之间，用于表示模型对预测正确性的置信程度。
通常会去除置信度低于某个阈值T的预测结果。调整阈值T会对精度和召回率产生影响：
- 当T接近1时，精度高但召回率低。因为过滤掉大量物体，错过很多目标，召回率降低；仅保留置信度高的预测，假正例少，精度提高。
- 当T接近0时，精度低但召回率高。保留大部分预测，不会有