yolo,mAP, F1值, 召回率（Recall），精确率（Precision），(TP,TN,FP,FN)，交除并（Intersection-over-Union（IoU））

深度学习中的F1值

公式

F1 = 2 * (精确度 * 召回率) / (精确度 + 召回率)

是什么？

F1也叫F1-Score或者F1-Measure，F1值是精确度和召回率的调和平均数。

作用

评估模型在检测任务中的精确度和召回率的一个综合指标。

F1值的取值范围在0到1之间，数值越接近1表示模型性能越好。当精确度和召回率都很高时，F1值也较高，说明模型能够在检测任务中取得较为平衡的表现。

Intersection over Union (IoU)

公式

IoU = 预测的框 ∩ 真实的框 / 预测的框 ∪ 真实的框 

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fOeGPh4f-17217766630)(https://i-blog.csdnimg.cn/blog_migrate/e341e9af76fe9ef2ea2408bc407c3c48.png)]

红色框是预测的边界
绿色的是真实的边界

Precision ( P )

$$precision=\frac{tp}{tp+fp}=\frac{正确检测的个数}{检测出来的所有目标个数}$$

tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fp:预测错误 且 预测出来的结果是正 (说明使用的是负样本) 的图片数量

Recall ( R )

$$recall=\frac{tp}{tp+fn}=\frac{正确检测的个数}{真实存在的目标个数}$$

tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fn:预测错误 且 预测出来的结果是负 (说明使用的是正样本) 的图片数量

precisions: 分母使用的预测结果都是正
recall: 分母使用的都是正样本

mAP是什么？

AP是什么

Average Precision
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-J6Udhy7a-17217766634)(https://i-blog.csdnimg.cn/direct/3d0256748c4e1a96120e44a7d9586d.png)]

计算mAP

mean Average Precision (mAP)

每个类别都有一个AP，mAP就是计算所有类别AP的平均值。

对于每个类别，都计算其对应的AP值。然后，对所有类别的AP值求平均，即可得到mAP。mAP是衡量目标检测模型整体性能的重要指标。

mAP50是什么意思

mAP50 是mean Average Precision（平均精度均值）的缩写，在YOLO模型评估中特指在IoU（交并比）阈值为0.5时的平均精度。

IoU是衡量预测边界框与真实边界框重叠程度的指标，其值范围从0到1，值越高表示预测框与真实框的重叠程度越高。

注意事项

YOLOv5中的mAP计算过程是针对每个类别进行的，即针对每个类别都有一个对应的mAP值。

最终的mAP是所有类别mAP的平均值。

mAP的计算过程中，IoU阈值的选择对结果有较大影响。常见的IoU阈值有0.5、0.75等，不同的阈值会得到不同的mAP值。例如，mAP@0.5表示IoU阈值为0.5时的mAP值，而mAP@[0.5:0.95]则表示在IoU阈值从0.5到0.95（步长为0.05）的多个阈值下mAP的平均值。