Fster R-CNN目标检测的精确度大概多少算好

Faster R-CNN（Fast Region-based Convolutional Neural Network）是一种广泛应用于目标检测任务的深度学习模型，它在2015年提出了区域提议网络（RPN）和RoI池化层的结合，显著提高了目标检测的速度和精度。Faster R-CNN的精确度通常根据PASCAL VOC或COCO等标准基准进行评估。

在PASCAL VOC 2007和2012数据集上，Faster R-CNN在当年的挑战中取得了很好的成绩，比如在VOC 2007测试集上，mAP（mean Average Precision）可能达到约68%左右，这是一个相当高的水平，表明模型能够准确地定位和识别物体。而在更复杂的COCO数据集上，Faster R-CNN在2016年的性能约为33%的mAP@.5IOU（Intersection over Union），这在当时已经属于顶级水准。

然而，随着技术的发展，后续的模型如YOLOv3、YOLOv4、以及更先进的Mask R-CNN等，它们的精度可能会更高。因此，具体的精确度“好”或“坏”取决于你在比较哪个时期的版本以及和其他同类模型的比较。