计算机视觉 / 系统课时
理解检测指标
理解检测指标
目标检测不能只看模型找到了多少目标,还要判断预测框是否准确、误检是否过多以及不同类别是否均衡。本课将串联 IoU、Precision、Recall、AP 和 mAP,形成完整的评估思路。
学习目标
- 理解 IoU 与 TP、FP、FN 的判定关系
- 区分 Precision、Recall、AP 和 mAP 的用途
- 根据多项指标组合判断模型问题
从预测框与真实框开始
目标检测的评估首先要判断预测框与真实框是否匹配。IoU 表示两个框交集面积与并集面积的比值:
其中, 是预测框, 是真实框。两个框完全重合时 IoU 为 1,完全不相交时为 0。IoU 越高,说明预测位置越接近真实位置。
评估程序会设置 IoU 阈值。例如阈值为 0.5 时,类别正确且 IoU 不低于 0.5 的预测可记为 TP;没有匹配真实目标的预测记为 FP;没有被任何预测框正确匹配的真实目标记为 FN。

Precision 与 Recall
Precision 衡量已经输出的预测中有多少是正确的:
Recall 衡量真实目标中有多少被模型成功找出:
假设验证集中有 100 个真实目标,模型正确检测出 72 个,同时产生 18 个误检,则 TP 为 72、FP 为 18、FN 为 28。此时 Precision 为 ,Recall 为 。
提高置信度阈值通常会过滤更多低分预测,Precision 可能上升,但部分正确目标也会被过滤,Recall 可能下降。降低阈值往往产生相反效果,因此两项指标应结合观察。
AP 与 mAP
单个置信度阈值只能得到一个 Precision 和 Recall 组合。评估程序会改变置信度阈值,得到一系列点并形成 PR 曲线。AP 可以理解为某个类别在指定 IoU 条件下,PR 曲线下面积的综合结果。
mAP 是多个类别 AP 的平均值。若数据集共有 个类别,则可以表示为:
mAP@0.5 使用 IoU 0.5 判断预测是否匹配,对定位误差相对宽容。mAP@0.5:0.95 会在 0.5 到 0.95 的多个 IoU 阈值上分别评估再取平均,因此更严格地考察边界框定位质量。
如果 mAP@0.5 较高,但 mAP@0.5:0.95 明显偏低,模型通常已经能够找到目标,却无法稳定给出紧密准确的边界框。
为什么不能只看单一指标
不同指标回答的问题不同。只看整体 mAP,可能掩盖少数关键类别表现很差;只看 Recall,可能忽略大量误检;只看 Precision,又可能得到一个几乎不输出预测的保守模型。
| 指标表现 | 可能反映的问题 |
|---|---|
| Precision 高、Recall 低 | 模型较保守,漏检较多或置信度阈值过高 |
| Precision 低、Recall 高 | 输出框较多,但误检控制不足 |
| mAP@0.5 高、mAP@0.5:0.95 低 | 能发现目标,但边界框定位不够精确 |
| 整体 mAP 尚可、个别类别 AP 很低 | 类别不平衡、标注问题或类别间容易混淆 |
实际项目还要关注业务代价。例如安全检测更重视漏检,商品自动结算可能更关心误检。指标选择应服务于业务目标,而不是机械追求所有数值同时最高。
阅读评估结果的顺序
先查看每个类别的样本量和 AP,确认整体指标是否被多数类别掩盖。随后结合 Precision 与 Recall 判断主要问题是误检还是漏检,再比较 mAP@0.5 和 mAP@0.5:0.95 分析定位质量。
最后应回到具体图片检查错误样本。指标能指出问题方向,但不能直接说明误检发生在哪些场景,也不能替代对标注质量、小目标、遮挡和相似类别的人工分析。