目录
十一、[email protected] vs [email protected]:0.95
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 |
|---|---|
| [email protected] | IoU=0.5 |
| [email protected]:0.95 | 多IoU平均 |
十一、[email protected] vs [email protected]:0.95
（一）[email protected]
宽松标准
（二）[email protected]:0.95
严格标准（COCO标准）
（三）工业选择
| 场景 | 推荐 |
|---|---|
| 工业检测 | [email protected] |
| 学术评估 | [email protected]: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。
转载自CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_38196449/article/details/161850941
