一、前言

物件偵測不僅是判斷物體的位置，還有要判斷物體的種類等，因此在模型的辨識上，不會只依靠準確率(accuracy)來判斷模型的好壞，因此這邊會介紹幾個常見的評估方式來確定模型的辨識能力。

那在講述mAP之前，我們必須要了解幾個指標precision、recell、IoU和F1 score，IoU在前一個章節已經介紹過，那這邊我們就來介紹前者。

二、Precision and Recall

來源：Medium

Precision：當模型預測一個樣本為目標物時，有多大的機率它真的就是目標物。這個指標也被稱為PPV(Positive Predictive Value)，即正確預測的正確比率。

Recall：模型能夠識別出多少實際的目標物。換句話說，在所有實際為目標物的樣本中，有多少被模型成功檢測出來。這個指標有另一種說法叫Sensitivity，意思是模型的敏感性或檢測率

可以將Precision和Recall寫成如上圖的數學公式，那下方我們用更精確的名稱去介紹這套公式。

TP:模型真正預測為真的樣本數。
FP:模型錯誤的預測為真的樣本數。

FN:模型錯誤的預測為假的樣本數。

這邊提供個例子，譬如實際有100個汽車，而模型正確檢測出了80個汽車，那Precision就是0.8或者80%。

如果實際有100個汽車，而模型正確的檢測出了85個，那Recall就是0.85或85%。

F1 score 則是 Precision 與 Recall 的調和平均數，提供了一個平衡兩者的單一指標。

三、結論

通過了解評估模型的術語後，可以更方便理解未來訓練模型時，判斷及確認此模型的好壞，介紹完Precision and Recall後接著我們繼續介紹mAP，下篇見。