目录
[（一）分类任务 vs 检测任务](#（一）分类任务 vs 检测任务)
[四、TP / FP / FN 的定义](#四、TP / FP / FN 的定义)
[（一）TP（True Positive）](#（一）TP（True Positive）)
[（二）FP（False Positive）](#（二）FP（False Positive）)
[（三）FN（False Negative）](#（三）FN（False Negative）)
[（四）TN（True Negative）](#（四）TN（True Negative）)
[七、Precision vs Recall 的权衡](#七、Precision vs Recall 的权衡)
[九、AP（Average Precision）](#九、AP（Average Precision）)
[十、mAP（mean Average Precision）](#十、mAP（mean Average Precision）)
[十一、mAP@0.5 vs mAP@0.5:0.95](#十一、mAP@0.5 vs mAP@0.5:0.95)
[十四、F1 Score（综合指标）](#十四、F1 Score（综合指标）)
一、前言
在工业视觉系统中，目标检测模型不仅要"能用"，更要"可靠"。
例如在产线检测中：
-
检测漏掉一个缺陷 → 可能造成质量事故
-
误检一个正常产品 → 降低生产效率
-
定位偏差过大 → 影响后续自动化处理
因此，仅仅看"准确率"远远不够。
目标检测需要一套更加复杂、更加工程化的评估体系：
目标检测评估指标体系本文将系统讲清工业领域最重要的检测评估指标，包括 IoU、Precision、Recall、AP、mAP 等核心概念。
二、为什么目标检测不能只看Accuracy
（一）分类任务 vs 检测任务
分类任务
Image → Class评估：
Accuracy 足够目标检测任务
Image → Class + Box不仅要判断：
-
对不对
-
还要判断位置准不准
（二）关键问题
目标检测评价必须解决三个问题：
1. 有没有检测到
2. 检测得准不准
3. 是否重复检测三、IoU：目标检测的基础指标
（一）IoU定义
IoU=\frac{Area\ of\ Overlap}{Area\ of\ Union}
（二）直观理解
IoU衡量：
预测框与真实框的重叠程度（三）示意解释
-
IoU = 1：完全重合
-
IoU = 0：完全不重叠
（四）工业常用阈值
| 场景 | IoU阈值 |
|---|---|
| 通用检测 | 0.5 |
| 工业检测 | 0.5 ~ 0.75 |
| 高精度检测 | 0.75+ |
四、TP / FP / FN 的定义
目标检测评估的核心基础。
（一）TP（True Positive）
检测正确 + 位置正确（二）FP（False Positive）
检测到了，但错了（误检）（三）FN（False Negative）
没有检测到（漏检）（四）TN（True Negative）
在检测任务中通常不使用。
五、Precision（精确率）
（一）定义
Precision=\frac{TP}{TP+FP}
（二）含义
预测为正的样本中，有多少是真的（三）工业意义
Precision高意味着：
误报少（四）适用场景
-
安防系统
-
工业缺陷检测（减少误判）
六、Recall（召回率）
（一）定义
Recall=\frac{TP}{TP+FN}
（二）含义
所有真实目标中，有多少被检测出来（三）工业意义
Recall高意味着：
漏检少（四）适用场景
-
安全检测
-
医疗检测
-
缺陷检测（更重要）
七、Precision vs Recall 的权衡
（一）矛盾关系
Precision ↑ → Recall ↓（可能）
Recall ↑ → Precision ↓（可能）（二）工业策略
| 场景 | 优先指标 |
|---|---|
| 工业质检 | Recall优先 |
| 安防识别 | Precision优先 |
| 自动驾驶 | 平衡 |
八、Precision-Recall曲线（PR曲线）
（一）定义
通过改变置信度阈值，得到：
Precision vs Recall 曲线（二）作用
用于评估模型整体性能。
九、AP（Average Precision）
（一）定义
AP是PR曲线下的面积：
AP = PR曲线面积（二）含义
单类别检测能力（三）计算思想
在不同Recall下计算Precision平均值。
十、mAP（mean Average Precision）
（一）定义
mAP=\frac{1}{C}\sum_{i=1}^{C} AP_i
（二）含义
所有类别AP的平均值（三）工业最重要指标
mAP是：
目标检测的核心评价标准（四）不同版本
| 指标 | 说明 |
|---|---|
| mAP@0.5 | IoU=0.5 |
| mAP@0.5:0.95 | 多IoU平均 |
十一、mAP@0.5 vs mAP@0.5:0.95
（一）mAP@0.5
宽松标准（二）mAP@0.5:0.95
严格标准（COCO标准）（三）工业选择
| 场景 | 推荐 |
|---|---|
| 工业检测 | mAP@0.5 |
| 学术评估 | mAP@0.5:0.95 |
十二、IoU在评估中的作用
IoU用于判断：
预测框是否正确（一）判定规则
IoU ≥ 阈值 → TP
IoU < 阈值 → FP十三、NMS与评估关系
（一）NMS作用
去除重复框（二）问题
如果NMS不好：
FP增加 → Precision下降十四、F1 Score（综合指标）
（一）定义
F1=2\cdot\frac{Precision\cdot Recall}{Precision+Recall}
（二）意义
综合衡量：
Precision + Recall十五、工业场景指标选择策略
（一）缺陷检测
重点：
Recall优先（二）安防系统
重点：
Precision优先（三）自动驾驶
重点：
Precision + Recall 平衡十六、常见评估误区
（一）只看mAP
忽略：
-
漏检率
-
小目标表现
（二）忽略IoU阈值
不同IoU差异巨大。
（三）忽略类别不平衡
少数类性能被掩盖。
十七、目标检测评估流程总结
预测框
↓
计算IoU
↓
匹配GT
↓
计算TP / FP / FN
↓
Precision / Recall
↓
PR曲线
↓
AP
↓
mAP十八、工业目标检测评估体系总结
目标检测评估体系本质是：
一个多层级、多指标的综合评价系统核心指标包括：
-
IoU（定位质量）
-
Precision（误检控制）
-
Recall（漏检控制）
-
AP（单类能力）
-
mAP（整体能力）
-
F1（综合平衡）
十九、总结
目标检测评估指标是工业视觉系统中最关键的组成部分之一，它不仅决定模型"看起来好不好"，更决定模型"能不能真正上线"。
本文系统讲解了：
1、为什么不能用Accuracy评估检测任务；
2、IoU核心概念；
3、TP/FP/FN定义；
4、Precision与Recall；
5、PR曲线与AP；
6、mAP指标体系；
7、IoU阈值影响；
8、NMS与评估关系；
9、工业场景指标选择；
10、完整评估流程。
可以将目标检测评估体系理解为：
"一个从空间定位质量（IoU）到分类准确性（Precision/Recall），再到整体性能（mAP）的多维度评价系统，是工业视觉系统可靠性的核心标尺。"
掌握这些指标，才能真正理解目标检测模型在工业中的实际价值。