P(Positive)表示预测为正样本，N(negative)表示预测为负样本，T(True)表示预测正确,F(False)表示预测错误。

TP：正样本预测正确的数量（正确检测）

FP：负样本预测正确数量（误检测）

TN：负样本预测错误数量

FN：正样本预测错误的数量（漏检测）

1.准确率：正确样本占总样本的比例

Accuracy=（TP+TN）/（TP+TN+FP+FN）

2.精确率：正样本预测正确占正样本的比例

precision=（TP）/（TP+FP）

精确度低，召回率高的解决办法：

模型把大量背景（负样本）错判成目标（正样本 ）。

主要原因不外乎数据本身有问题：1、图片上目标没有标全，有大量没标注的 ，这样会导致模型其实学到了目标物特征，但是真值是负样本（没有标注）；2、图片上目标标的太仔细，把非常小像素的目标（特征跟背景相差不大）都标了，这样也会导致模型错把背景当成目标 。

3.召回率：正样本预测正确占实际正样本的比例

R=（TP）/（TP+FN）

为了找到所有正样本。

召回率低，精确度高的解决办法：

对错误的标注样本进行修正。

4.平均精度AP

AP就是Precision-recall 曲线下面的面积。

5.map

当我们把所有类别的AP都计算出来后，再对它们求平均值，即可得到mAP。