模型准确率很高，却漏掉多数关键目标；另一模型召回率高，却带来大量误报。只报一个分数，难以判断实际效果。读完本文，你可以核对混淆矩阵、计算精确率与召回率，并区分分类、检测和分割的评估对象。我们先用十个二分类样本计算指标，再用纯 Python 检验阈值变化。随后结合检测框交并比，说明类别正确不等于定位准确。通过正常和边界情况的对照，你可以建立基本的误差分析顺序，避免混用不同任务的指标。文章目录准确率很高，为什么关键目标仍被漏掉核心概念与工作机制精确率、召回率和 F1从分类扩展到检测和分割指标和错误代价的区别最小示例环境与准备工作流程图完整代码或操作命令运行步骤与预期输出验证结果常见误区与适用边界总结准确率很高，为什么关键目标仍被漏掉假设十张图中只有两张包含目标。模型把所有图都判断为“无目标”，准确率仍有 80%，但目标召回率为 0。这说明评估必须看类别分布、错误类型和业务代价，不能只挑一个漂亮数字。实际情况预测为目标预测为无目标真实有目标TP，真正例FN，假负例或漏报真实无目标FP，假正例或误报TN，真负例核心概念与工作机制精确率、召回率和 F1精确率Precision = TP / (TP + FP)，关注预测为正的结果有多少是真的；召回率Recall = TP / (TP + FN)，关注真实为正的样本找回多少；F1 = 2PR / (P + R)，用于概括二者的平衡。分母为零时要明确处理口径，不能把未定义指标偷偷当成良好成绩。从分类扩展到检测和分割分类主要比较图像级类别。检测还要比较预测框与真实框的位置，常用交并比 IoU 判断定位是否达到设定阈值；一个框即便类别对了，定位太
