版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/yql_617540298/article/details/83018916
一、mAP
1. TP，FP，FN，TN
（1）TP(True positives)：正确划分正例个数；正->正；
（2）FP(False positives)：错误划分正例个数；负->正；
（3）FN(False negatives)：错误划分负例个数；正->负；
（4）TN(True negatives)：正确划分负例个数；负->负；
2. Precison
表示为正确划分正例个数/全部个数；
3. Recall
表示为预测样本中实际正样本数 / 预测的样本数；
一般来讲，召回率越高，准确率越低。
4.PR曲线
P-R曲线即 以 precision 和 recall 作为 纵、横轴坐标 的二维曲线，P-R曲线围起来的面积就是AP值，通常来说一个越好的分类器，AP值越高。
在目标检测中，每一类都可以根据 recall 和 precision绘制P-R曲线，AP就是该曲线下的面积，mAP就是所有类AP的平均值。
二、IoU
IoU(Intersection over Union) 是一种测量在特定数据集中检测相应物体准确度的一个标准；在很多检测中都有用到这种方法，例如RCNN、Faster-RCNN、YOLO；
IoU是一个简单的测量标注，只要是在输出中得到一个预测范围(Bounding Box)的任务都可以用IoU进行测量，为了可以使IoU用于测量任意大小形状的物体检测：
（1）Ground-truth bounding box；
（2）算法计算出的结果；
IoU相当于产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率或者是重叠率。
以上三张图从左到右分别是差的，好的，非常好的。
一般认为，IoU>0.5是好的结果，但是在实际应用中，大多数算法会设置IoU>0.7。