在目標檢測算法（如Faster RCNN， YOLO ，SSD）中mAP常做為一種基准來衡量算法的精確度好壞。
mAP的本質其實是多類檢測中各類別最大召回率（recall）的一個平均值
計算mAP之前我們先要了解Precision和Recall也就是精確率和召回率。
精確率主要衡量模型做出預測的精准度，也就是TP在TP與FP和中的占比率
召回率主要用來衡量模型對positives的檢測程度，也就是TP在TP與FN中的占比率
下面我們通過一個例子來講一下AP （average precision）
比如在一副圖片中我們總共有5個目標，首先我們根據預測的confidence對預測進行排序，假設在前四的預測中我們有2個正確（IoU > 0.5）的。
所以對前四的precision和recall
Precision = 2/4 = 0.5
Recall = 2/5 = 0.4
現在假設我們對於一個實驗結果TOP10的Precision和Recall有如下表：
隨着recall從0到1之間的提升，AP可以由計算十一個不同recall階層最大precision的評價值而得到
進一步解釋;
p_interp(r) 是超過r的recall中對應的最大precision值，例如rank6中recall是0.6
那么p_interp(0.6)就是大於0.6的所有recall中對應的最大的precision的值，對應上表我們得到
P（0.6） = max（0.5,0.57,0.5,0.44,0.5）= 0.57
所以AP即0-1的p_interp(r)的均值
=（1.0*5 + 0.57*4 + 0.5*2）/ 11
而mAP則是真的不同類別的AP的均值
參考：https://medium.com/@jonathan_hui/map-mean-average-precision-for-object-detection-45c121a31173