我正在训练对象检测器并运行评估工作。我在张量板上看到了某些图表。如图所示，tensorflowboard 中的 DetectionBoxes_Recall/AR@10 vs AR@100 vs AR@100(medium) 是什么。 DetectionBoxes_Precision/mAP、mAP（大）、mAP（中）、mAP（小）、mAP（0.50IOU）和mAP（0.75IOU）有什么区别？请帮助我对此很陌生，谢谢。
【问题讨论】：
'DetectionBoxes_Precision/mAP'：在 IOU 阈值范围内以 0.05 为增量平均的类的平均精度，范围从 0.5 到 0.95。
'DetectionBoxes_Precision/mAP@.50IOU'：50% IOU 时的平均精度
'DetectionBoxes_Precision/mAP@.75IOU'：平均精度为 75% IOU
'DetectionBoxes_Precision/mAP (small)'：小物体的平均精度（面积
'DetectionBoxes_Precision/mAP (medium)'：中等大小物体的平均精度（32^2 像素
'DetectionBoxes_Precision/mAP (large)'：大物体的平均精度（96^2 像素
'DetectionBoxes_Recall/AR@1'：1 次检测的平均召回率。
'DetectionBoxes_Recall/AR@10'：10 次检测的平均召回率。
'DetectionBoxes_Recall/AR@100'：100 次检测的平均召回率。
'DetectionBoxes_Recall/AR@100 (small)'：100 个小物体的平均召回率。
'DetectionBoxes_Recall/AR@100 (medium)'：中等对象的平均召回率为 100。
'DetectionBoxes_Recall/AR@100 (large)'：100 次检测的大型物体的平均召回率。
【讨论】：
area < 32^2 pixels) 怎么办？它会返回Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
正如@kmh 指出的那样，可以在here 找到一个简短（但不是很好）的解释。 实际数学定义见代码here。
mAP = 平均精度 mAR = 平均召回率
当他们说平均平均值时，除非另有说明，他们的意思是他们正在计算所有示例（即图像）、类和 IOU 阈值（范围为 .50:.05:.95，即 [ 0.5, 0.55, ..., 0.90, 0.95])。
那么，关于这 12 个指标：
精度 (mAP)
DetectionBoxes_Precision/mAP：如上所述，这意味着您计算所有图像、类和 IOU 阈值的精度，然后取平均值。
DetectionBoxes_Precision/mAP@.50IOU：这里，它指定了IOU，所以在这种情况下它不会超过所有的IOU阈值，只会超过指定的一个。该指标是仅使用 IOU=0.5 的平均精度（但仍会遍历所有图像和类）。如果您对边界框的位置不是非常严格（您只需要至少 IOU=0.5 即可算为正数），此指标的想法是为您提供粗略的精确感。
DetectionBoxes_Precision/mAP@.75IOU：同上，但使用 IOU=0.75 而不是 IOU=0.5。如果您对边界框的位置有些严格（您至少需要 IOU=0.75 才能算为正数），此指标的想法是给您一个粗略的精确感。
DetectionBoxes_Precision/mAP（小、中、大）这些与上面的 mAP 基本相同，但按边界框的大小进行了切片。小的只计算小边界框的mAP（面积 96*96（实际上，大面积的实现是 96*96
召回率 (mAR)
DetectionBoxes_Recall/AR@(1, 10, 100)：这些是按图像中检测数分割的平均召回率。 AR@1 意味着它将计算所有图像的平均召回率，最多有 1 次检测（即 0 或 1）、所有类别和所有 IOU 阈值。对于 AR@10，它会做同样的事情，但在所有图像中最多有 10 次检测（即 0
DetectionBoxes_Recall/AR@100（小、中、大）：这些是按检测到的边界框大小划分的平均召回率。注意指标中的 AR@100。这意味着它只拍摄最多 100 次检测的图像（通常，这意味着大多数或所有图像）。尺寸和上面mAP中的一样（即小：[0, 32*32]，中：[32*32, 96*96]，大：[96*96, 1e5*1e5]）
李>【讨论】：