用動態圖表與拖曳實驗，秒懂 AI 物件偵測三大核心指標！
應用場景：衡量「預測框」與「真實框」重合得有多精準。數值在 0 ~ 1 之間，越接近 1 越完美！
應用場景：評估模型整體的抓取實力。它會繪製出 Precision-Recall (PR) 曲線，而曲線下的面積就是 AP！
就是把「所有類別」的 AP 加起來取平均。例如：(貓的AP + 狗的AP + 車的AP) ÷ 3。它是目前全世界通用衡量物件偵測實力最全面的指標。
應用場景：衡量模型跑得有多快。自駕車、無人機或安全監控需要極高的 FPS 來確保即時反應。
💡 工程師的兩難：通常模型越大（如 YOLO-XLarge），mAP 越高（抓得準），但 FPS 就會顯著下降（跑得慢）。在邊緣裝置（Edge AI）上如何取得兩者平衡是一門藝術。
物件偵測同時找位置(畫框)與類別,是 iPAS 中級科目一高頻考點。重點:用 IoU 判定預測框是否命中,再算各類 AP 與整體 mAP。易混點:一階段(YOLO、SSD)快、兩階段(Faster R-CNN)準,是速度與精度取捨;NMS(非極大值抑制)用來去除同一物件的重複框。情境:自駕辨識車輛行人、工業瑕疵、零售盤點、醫療病灶定位。
想練情境題與詳解 → AI 學習與考證地圖
分類只說圖中是什麼；偵測要同時找出在哪裡(畫出邊界框)並標出是什麼，輸出多個物件的位置與類別。
用 IoU 判定預測框是否命中，再算各類 AP 與整體 mAP；兼顧定位準確與分類正確。
兩階段(如 Faster R-CNN)先找候選區再分類、較準；一階段(如 YOLO、SSD)直接預測、較快；速度與精度的取捨。
同一物件常被預測多個重疊框；NMS 保留分數最高的、抑制與它高度重疊的其餘框，去除重複偵測。
自駕車辨識車輛行人、安防監控、工業瑕疵檢測、零售盤點、醫療病灶定位等需要找出位置的場景。