非极大值抑制
在训练阶段是不需要nms处理的，只有在验证或者是测试阶段才需要将预测结果进行非极大值抑制处理，
目标检测的评估指标
Precision(精确率/查准率)：是指在所有被预测为正的样本中，确实是正样本的占比。当Precision越大时，FP越小，此时将其他类别预测为本类别的个数也就越少，可以理解为预测出的正例纯度越高。Precision越高，误检越少。
Recall(召回率/查全率)：是指在所有确实为正的样本中，被预测为正样本的占比。当Recall越大时，FN越小，此时将正例预测为负例的个数越少，可以理解为把全部的正例挑出来的越多。Recall越高，漏检越少。
P-R曲线即为分别以Precision与Recall为坐标围成的曲线。若一个模型的P-R曲线完全将另一模型的P-R曲线包裹，那么这个模型预测结果一定优于另一模型。
F1-score如果有不同的几个模型，他们有着不同的Precision与Recall，那么我们应该如何挑最优的模型？最直接的办法就是取Precision与Recall的平均值，但取平均值并不可取。因为有时二者有一个极高，一个极低时，这样平均值是高的，但实际的效果并不会好。这时就要用F1-score来权衡Precision与Recall的平均值。
AP(Average Precision)是PR曲线围成的面积，用来衡量对一个类检测的好坏。
mAP(mean Average Precision)是所有类AP的平均值，衡量多类别目标检测的好坏。
1、[email protected]
在YOLO模型中，你会见到[email protected]这样的表现形式，这种形式表示在IOU阈值为0.5的情况下，mAP的值为多少。当预测框与标注框的IOU大于0.5时，就认为这个对象预测正确，在这个前提下再去计算mAP。
2、mAP@[0.5:0.95]
YOLO模型中还存在mAP@[0.5:0.95]这样一种表现形式，这形式是多个IOU阈值下的mAP，会在q区间[0.5,0.95]内，以0.05为步长，取10个IOU阈值，分别计算这10个IOU阈值下的mAP，再取平均值。3、mAP@[0.5:0.95]越大，表示预测框越精准，因为它去取到了更多IOU阈值大的情况。
4、mAP([email protected])，这是一个对检测能力要求更高的标准。
5、mAP@small，检测目标的面积 ≤ 32x32
6、mAP@medium，32x32 ＜ 检测目标的面积 ≤ 96x96
7、mAP@Large，96x96 ＜ 检测目标的面积
————————————————
版权声明：本文为CSDN博主「Aliert」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_38375203/article/details/125391658