模型训练主要有以下几个性能指标和术语，这边做下记录：
IOU（Intersection over Union）：即交并比，看下面这张图就非常直观了~
三种特殊情况：
1、预测框 = 真实框，可得 IoU = 1，不难看出IoU值越高，预测越准
2、预测框 与 真实框 交集为0，即挨不着，IoU值为0
3、一般IoU = 0.5时，视为预测的框有效，并往上分IoU为0.6、0.7、0.8、0.9值时来讨论对应的召回率，下面会讲解召回率~
引用网上的一个例子，假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，算法查找出50个，其中只有40个是真正的正样本：
True positives: 将正类预测为正类数 40
True negatives: 将负类预测为负类数 30
False positives: 将负类预测为正类数 10
False negatives: 将正类预测为负类数 20
标红是容易混淆的，记住True打头的就是预测对了~
引出recall（召回率、查全率）
召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。
两种可能：
1、一种是把原来的正类预测成正类(TP)
2、另一种就是把原来的正类预测为负类(FN)
precision（精度、查准率）：
精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是：
其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数
做出曲线（召回率与IoU）：
直观的想一下，IoU设定阈值越高，能够满足的样本是越少的，即TP小了，但是原样本的正样本数不变，故recal值变小，如上图所示。
P-R曲线：
可以看出 精度 与 召回率 之间的关系，召回率越高的情况下精度是会下降的，比较好的结果就是右一这种饱和的情况~
mAP（mean Average Precision）
参考博客：https://blog.****.net/m0_37192554/article/details/82427375
这个博客写的非常清楚，很棒~（Top-5等…）