mAP: mean Average Precision, 即各类别AP的平均值AP: PR曲线下面积PR曲线: Precision-Recall曲线Precision: TP / (TP + FP) 模型预测的所有目标中，预测正确的比例 （查准率）Recall: TP / (TP + FN) 所有真实目标中，模型预测正确的目标比例 （查全率）TP: True Positive, IoU>0.5的检测框数量（同一Ground Truth只计算一次）FP: False Positive, IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量FN: False Negative, 没有检测到的GT的数量
TP/FP/FN
以下图为例，绿色框为GT,红色 IoU为0.9的框为TP的情况，红色 0.3的是FP的情况； 而右下角的GT没有被检测到，此时是FN的情况
Precision/ Recall
以下图为例，此时有5个GT, 此时只有一个红色框 IoU>0.5，属于TP的情况。TP=1,FP=0,FN=4 此时Precison = TP / (TP + FP) = 1/1+0=1， 按这个指标看检测效果很好，但是漏检的目标很多，而Precison指标没有体现出来，所以还需要Recall指标。 Recall = TP / (TP + FN) = 1/5 当然，也不能只依据Recall。以下图为例,此时所有的目标都被检测到了，Recall = 100%,但是有很多检测错误的框，Precison指标很低。
