一、mAP
1. TP，FP，FN，TN
（1）TP(True positives)：正确劃分正例個數；正->正；
（2）FP(False positives)：錯誤劃分正例個數；負->正；
（3）FN(False negatives)：錯誤劃分負例個數；正->負；
（4）TN(True negatives)：正确劃分負例個數；負->負；
2. Precison
表示為正确劃分正例個數/全部個數；
3. Recall
表示為預測樣本中實際正樣本數 / 預測的樣本數；
一般來講，召回率越高，準确率越低。
4.PR曲線
P-R曲線即 以 precision 和 recall 作為 縱、橫軸坐标 的二維曲線，P-R曲線圍起來的面積就是AP值，通常來說一個越好的分類器，AP值越高。
在目标檢測中，每一類都可以根據 recall 和 precision繪制P-R曲線，AP就是該曲線下的面積，mAP就是所有類AP的平均值。
二、IoU
IoU(Intersection over Union) 是一種測量在特定資料集中檢測相應物體準确度的一個标準；在很多檢測中都有用到這種方法，例如RCNN、Faster-RCNN、YOLO；
IoU是一個簡單的測量标注，隻要是在輸出中得到一個預測範圍(Bounding Box)的任務都可以用IoU進行測量，為了可以使IoU用于測量任意大小形狀的物體檢測：
（1）Ground-truth bounding box；
（2）算法計算出的結果；
IoU相當于産生的候選框（candidate bound）與原标記框（ground truth bound）的交疊率或者是重疊率。
以上三張圖從左到右分别是差的，好的，非常好的。
一般認為，IoU>0.5是好的結果，但是在實際應用中，大多數算法會設定IoU>0.7。