P(Positive)表示預測為正樣本，N(negative)表示預測為負樣本，T(True)表示預測正確,F(False)表示預測錯誤。

TP：正樣本預測正確的數量（正確檢測）

FP：負樣本預測正確數量（誤檢測）

TN：負樣本預測錯誤數量

FN：正樣本預測錯誤的數量（漏檢測）

1.準確率：正確樣本占總樣本的比例

Accuracy=（TP+TN）/（TP+TN+FP+FN）

2.精確率：正樣本預測正確占正樣本的比例

precision=（TP）/（TP+FP）

精確度低，召回率高的解決辦法：

模型把大量背景（負樣本）錯判成目標（正樣本 ）。

主要原因不外乎數據本身有問題：1、圖片上目標沒有標全，有大量沒標注的 ，這樣會導致模型其實學到了目標物特征，但是真值是負樣本（沒有標注）；2、圖片上目標標的太仔細，把非常小像素的目標（特征跟背景相差不大）都標了，這樣也會導致模型錯把背景當成目標 。

3.召回率：正樣本預測正確占實際正樣本的比例

R=（TP）/（TP+FN）

為了找到所有正樣本。

召回率低，精確度高的解決辦法：

對錯誤的標注樣本進行修正。

4.平均精度AP

AP就是Precision-recall 曲線下面的面積。

5.map

當我們把所有類別的AP都計算出來后，再對它們求平均值，即可得到mAP。