同一检测器改变 NMS，召回为何变好而精度变差
课堂上下文：从哪个问题来
三个重叠预测可能对应一只杯子。NMS 用预测之间的分数与重叠整理重复，评价匹配则使用真值，二者不是同一操作。先看三框算例，再看同一真实教学检测器放宽 NMS 后召回和精度的相反变化。
LAB10 已保存一组更接近真实使用的对照：输入与训练后权重保持不变，只把 NMS IoU 阈值从 .35 放宽到 .65。展示/工作点的分数门槛固定 .4。
| NMS IoU | recall@工作点 | precision@工作点 | AP50 |
|---|---|---|---|
| .35 | .98311 | .94175 | .97303 |
| .65 | 1.00000 | .41926 | .95866 |
放宽后，一些原来被抑制的候选重新出现，补到了最后少数对象；同时大量同一对象的重复框留在输出，所以 precision 大降。AP 的变化比这个固定工作点的 precision 小，因为 AP 汇总整个分数排序，而工作点只看分数至少 .4 的输出。
这组已有本地结果不是本轮新运行。它的价值是把 P34 的两种效应落实到同一模型：预测数量增加本身没有确定好坏，必须看新增的是哪个对象、是否重复，以及部署时怎样使用阈值。选阈值应使用验证集与任务成本；不能反复挑保留集最漂亮的数字再称泛化结果。