在目标检测中：

TP（True Positive，真正例）：指被正确检测为正例的样本数量。例如，模型正确检测出了一个确实存在的目标物体。

TN（True Negative，真负例）：指被正确检测为负例的样本数量。比如模型正确判断一个区域不存在目标物体。

FP（False Positive，假正例）：指被错误地检测为正例的负例样本数量，也就是误报。举例来说，模型把一个本不存在目标物体的区域错误地判断为存在目标物体。

FN（False Negative，假负例）：指被错误地检测为负例的正例样本数量，也就是漏报。例如，模型没有检测出一个实际上存在的目标物体。

这些概念在评估目标检测模型的性能时非常重要，基于它们可以计算出各种评估指标，如准确率、召回率、F1 值等，以全面衡量模型的检测效果。

比如说，在一个检测车辆的任务中，如果模型把一辆真实存在的车正确检测出来了，这就是一个 TP；如果模型把一个没有车的区域判断为有车，那就是一个 FP；如果模型没有检测出一辆实际存在的车，这就是一个 FN；而如果模型正确判断一个区域没有车，那就是一个 TN 。

看了那么多文章，还是问豆包，通俗易懂。