加一小节评价指标分别加入相应指标的含义及计算公式等。例如在手势分割中加入：IOUrecall等评价指标。

在目标检测领域中，常用的评价指标包括：

1. 准确率（Accuracy）：指所有分类正确的样本占总样本数的比例。计算公式为：Accuracy = (TP + TN) / (TP + TN + FP + FN)，其中TP表示真正例，TN表示真负例，FP表示假正例，FN表示假负例。

2. 精确率（Precision）：指所有被分类为正例的样本中，真正例的比例。计算公式为：Precision = TP / (TP + FP)。

3. 召回率（Recall）：指所有真正例中，被正确识别为正例的比例。计算公式为：Recall = TP / (TP + FN)。

4. F1值：综合考虑精确率和召回率，是一个综合性的评价指标。计算公式为：F1 = 2 * Precision * Recall / (Precision + Recall)。

5. 平均精确率均值（mAP）：用于评估目标检测算法的性能。计算过程较为复杂，需要先计算每个类别的精确率-召回率曲线（PR曲线），再计算每个类别的平均精确率，最后取所有类别的平均值作为mAP。

6. 漏检率（Miss rate）：指在所有正例中未被正确识别为正例的比例。计算公式为：Miss rate = FN / (TP + FN)。

7. 误检率（False positive rate）：指在所有负例中被错误地识别为正例的比例。计算公式为：False positive rate = FP / (FP + TN)。

8. IoU（Intersection over Union）：在目标检测和语义分割中常用的评价指标，用于衡量模型预测框和真实框之间的重叠度。计算公式为：IoU = Intersection / Union，其中Intersection表示预测框和真实框的交集，Union表示预测框和真实框的并集。越大表示模型预测结果和真实结果越接近。

9. mIoU（mean Intersection over Union）：用于语义分割中模型性能的评价指标。计算过程与mAP类似，需要计算每个类别的IoU值，再取平均值作为mIoU