3、Precision-Recall曲线：从原理到实战绘制
PR曲线，说白了就是目标检测模型的「体检报告」。它不像mAP那样给你一个冷冰冰的数字，而是把模型在不同「严格程度」下的表现，完整地画了出来。
我个人习惯，拿到一个新模型，第一件事不是看mAP，而是先看PR曲线。为什么？因为曲线能告诉你很多数字背后隐藏的信息。比如，你的模型是不是「偏科」——对某些类别特别准，对另一些类别却特别差。
3.1 什么是PR曲线？
PR曲线，全称Precision-Recall Curve（精确率-召回率曲线）。它是一条二维曲线：
- 横轴：Recall（召回率）—— 模型找出了多少真实目标
- 纵轴：Precision（精确率）—— 模型找出的目标里，有多少是对的
你想想看，这两个指标天然就是一对「冤家」。你越想找出所有目标（提高Recall），就越容易把背景也当成目标（降低Precision）。反之亦然。PR曲线，就是这对冤家在各个阈值下的「博弈记录」。
核心理解：PR曲线上的每一个点，都对应一个特定的置信度阈值。从右到左，阈值从低到高。
3.2 如何绘制PR曲线？
绘制PR曲线，其实就三步。我在项目中经常需要手动画曲线来分析模型问题，这里给你一个完整的流程。
Step 1：收集所有检测结果
模型跑完一张图，会输出一堆检测框。每个框都有：
- 类别标签
- 置信度分数（0~1）
- 边界框坐标
把所有图片的所有检测框收集起来，按置信度从高到低排序。嗯，这一步很重要，因为后面我们要「一刀一刀」地切。
Step 2：计算每个阈值下的Precision和Recall
假设我们设定一个置信度阈值，比如0.5。那么：
- 置信度 ≥ 0.5 的框，算「正样本」（模型认为有目标）
- 置信度 < 0.5 的框，算「负样本」（模型认为没目标）
然后，把正样本和真实标注（Ground Truth）做匹配。匹配上了就是TP（True Positive），没匹配上就是FP（False Positive）。那些没被任何检测框匹配到的真实目标，就是FN（False Negative）。
有了TP、FP、FN，就能算Precision和Recall了：
Precision = TP / (TP + FP)
Recall = TP / (TP + FN)Step 3：遍历所有阈值，画出曲线
从置信度最高（比如0.99）开始，逐步降低到最低（比如0.01）。每降低一次，就计算一组(Recall, Precision)。把这些点连起来，就是PR曲线。
我曾经在调试一个行人检测模型时，发现PR曲线在Recall=0.8附近突然「断崖式下跌」。后来一查，原来是模型对遮挡严重的行人几乎全漏检了。这就是PR曲线比mAP更直观的地方——你能看到问题出在哪个区间。
实战技巧：实际绘制时，通常取11个或101个等间隔的Recall点（如0, 0.1, 0.2, ..., 1.0），用插值法计算对应的Precision。这样曲线更平滑，也方便计算AP。
3.3 PR曲线的物理意义
PR曲线到底在说什么？我换个角度给你讲。
想象你是一个质检员，在流水线上挑次品。你的工作有两个目标：
- 别漏掉次品（高Recall）
- 别冤枉好品（高Precision）
但现实是，你不可能同时做到100%。你只能选一个「平衡点」。PR曲线，就是把你所有可能的「平衡点」都画了出来。
| 曲线区域 | 物理含义 | 模型状态 |
|---|---|---|
| 右上角（高P, 高R） | 模型既准又全 | 理想状态 |
| 左上角（高P, 低R） | 模型很保守，只挑最有把握的 | 阈值偏高 |
| 右下角（低P, 高R） | 模型很激进，宁可错杀一千 | 阈值偏低 |
| 曲线下面积（AP） | 模型在不同阈值下的综合表现 | 越大越好 |
3.4 不同阈值下的PR变化
阈值，就是那个「一刀切」的线。阈值怎么变，PR曲线就怎么动。
阈值调高（比如从0.5调到0.9）
- Precision上升：留下的框都是高置信度的，误检少了
- Recall下降：很多低置信度的真目标被过滤掉了，漏检多了
- 曲线表现：点向左上方移动
阈值调低（比如从0.5调到0.1）
- Precision下降：大量低质量框涌入，误检暴增
- Recall上升：几乎所有真目标都被框出来了
- 曲线表现：点向右下方移动
避坑指南：我曾经在项目中为了追求高mAP，把阈值设得很低。结果模型在部署时疯狂误检，把路牌识别成人脸。记住，mAP高不代表实际好用，一定要结合PR曲线找到适合你业务场景的阈值。
3.5 知识结构图：PR曲线核心逻辑
下面这张图，帮你把PR曲线的整个知识体系串起来。
3.6 代码实战：用Python绘制PR曲线
光说不练假把式。下面这段代码，是我在项目中常用的PR曲线绘制脚本。你直接拿去用就行。
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import precision_recall_curve
def plot_pr_curve(y_true, y_scores, class_name='Class'):
"""
绘制PR曲线
y_true: 真实标签 (0或1)
y_scores: 模型输出的置信度分数
class_name: 类别名称，用于图例
"""
# 计算Precision和Recall
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)
# 计算AP (Average Precision)
ap = np.trapz(precision, recall) # 用梯形法求曲线下面积
# 绘制
plt.figure(figsize=(8, 6))
plt.plot(recall, precision, 'b-', linewidth=2, label=f'{class_name} (AP={ap:.3f})')
plt.xlabel('Recall', fontsize=12)
plt.ylabel('Precision', fontsize=12)
plt.title(f'Precision-Recall Curve - {class_name}', fontsize=14)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.grid(True, alpha=0.3)
plt.legend(loc='lower left')
plt.show()
return precision, recall, thresholds, ap
# 使用示例
# y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 1]
# y_scores = [0.9, 0.8, 0.7, 0.6, 0.55, 0.4, 0.3, 0.2, 0.1, 0.05]
# precision, recall, thresholds, ap = plot_pr_curve(y_true, y_scores, 'Person')小提示：sklearn的precision_recall_curve函数会自动处理阈值排序和插值。但要注意，它返回的precision和recall数组长度比thresholds多1（因为最后一个点对应阈值=0的情况）。
3.7 总结：PR曲线教会我的三件事
做了这么多年目标检测，PR曲线教会了我三件事：
- 没有完美的模型，只有合适的阈值。别总想着mAP刷到多高，先看看你的业务场景需要高Precision还是高Recall。
- 曲线形状比数字更重要。一个AP=0.9但曲线「陡峭」的模型，可能不如一个AP=0.85但曲线「平滑」的模型好用。
- PR曲线是调试的「听诊器」。模型表现不好时，别急着调参数。先画PR曲线，看看问题出在Recall端还是Precision端。