这张图非常直观地展示了目标检测中APAverage Precision平均精度和mAPmean Average Precision平均精度均值的计算原理以及不同IoU阈值下的评估标准。第一句话解释这里的“阈值”指的是置信度阈值Confidence Threshold。模型在预测时会输出每个框的置信度概率。如果我们设定不同的置信度门槛比如只要大于0.9的框或者大于0.3的框就能计算出对应的一组 Precision精确率和 Recall召回率。再以Precision作为y轴Recall作为x轴绘制P-R曲线。mAP50也称 mAP0.5定义当 IoU交并比即预测框与真实框重叠程度固定为 0.5时算出的平均精度无论置信度是多少。含义只要预测框与真实框的重叠度达到 50%以上模型就算“找对了”。特点这是一个相对宽松的指标。它主要评估模型“有没有找对位置、有没有认对类别”对框画得准不准要求没那么高。mAP50-95也称 mAP[0.5:0.95]定义将 IoU 阈值从0.5 到 0.95 之间每隔 0.05 取一个值即取 0.5, 0.55, 0.6 ... 0.95 共 10 个阈值分别计算出 mAP然后把这 10 个结果求平均。含义这是一个极其严格的指标。它不仅要求你找到目标还要求你把框画得非常贴合IoU达到0.9才算完美。特点这是目前主流数据集如 COCO的官方主推指标。正如底部文字所说它“考虑了更广泛的IoU范围能够评估模型在不同重叠程度下的性能”。因为标准更严苛所以 mAP50-95 的数值通常会比 mAP50 低很多。