AP：
precision:预测的正类中实际的正类/预测正类
recall:预测正类中实际的正类/实际正类
对于每一个检测的结果都会输出一个score值，我们都将它作为一个阈值，大于这个score值为预测正样本，小于这个score值为预测负样本，AP@IOU=0.5时，实际当框框与真值框大于0.5时为正样本，当框框与真值框小于0.5时为实际负样本，就得到一个recall和precision,每一个score值都对应一个recall和precision,就组成一条曲线，曲线围城的面积为AP，所有类别AP的平均值为mAP，AP@IOU=0.50:0.95，实际当框框与真值框大于0.50，0.55,0.60。。。时为实际正样本，算出所有AP平均值。
AP曲线中recall是横轴， precision是纵轴。
当score阈值很高时，recall低，precision高；
当score阈值很低时，recall高，precision低。
ROC：
TPR(true positive rate)=TP/(TP+FN)(其实就是recall)
FPR(false posive rate)=FP/(FP+TN)=预测的正类中实际负类/实际负类数
ROC曲线是以FPR为横轴，TPR为纵轴，
AUC（Area Under Curve）为ROC曲线下的面积。
FDDB中ROC横轴为False positives,纵轴为TPR，以检测结果的每一个score为阈值，都能得到一个False positives，一个TPR组成一条曲线。