首先用訓練好的模型得到所有測試樣本的confidence score，每一類（如car）的confidence score保存到一個文件中（如comp1_cls_test_car.txt）。假設共有20個測試樣本，每個的id，confidence score和ground truth label如下：
接下來對confidence score排序，得到：
然后計算precision和recall，這兩個標准的定義如下：
圓圈內（true positives + false positives）是我們選出的元素,它對應於分類任務中我們取出的結果，比如對測試樣本在訓練好的car模型上分類，我們想得到top-5的結果，即：
在這個例子中，根據ge_label真實標簽，true positives就是指第4和第2張圖片，false positives就是指第13，19，6張圖片。方框內圓圈外的元素（false negatives和true negatives）是相對於方框內的元素而言，在這個例子中，是指confidence score排在top-5之外的元素，即：
其中，false negatives是指第9，16，7，20張圖片，true negatives是指第1,18,5,15,10,17,12,14,8,11,3張圖片。
那么，這個例子中Precision=2/5=40%，意思是對於car這一類別，我們選定了5個樣本，其中正確的有2個，即准確率為40%；Recall=2/6=30%，意思是在所有測試樣本中，共有6個car，但是因為我們只召回了2個，所以召回率為30%。
實際多類別分類任務中，我們通常不滿足只通過top-5來衡量一個模型的好壞，而是需要知道從top-1到top-N（N是所有測試樣本個數，本文中為20）對應的precision和recall。顯然隨着我們選定的樣本越來也多，recall一定會越來越高，而precision整體上會呈下降趨勢。把recall當成橫坐標，precision當成縱坐標，即可得到常用的precision-recall曲線。這個例子的precision-recall曲線如下：
接下來說說AP的計算，此處參考的是PASCAL VOC CHALLENGE的計算方法。首先設定一組閾值，[0, 0.1, 0.2, …, 1]。然后對於recall大於每一個閾值（比如recall>0.3），我們都會得到一個對應的最大precision。這樣，我們就計算出了11個precision。AP即為這11個precision的平均值。這種方法英文叫做11-point interpolated average precision。
當然PASCAL VOC CHALLENGE自2010年后就換了另一種計算方法。新的計算方法假設這N個樣本中有M個正例，那么我們會得到M個recall值（1/M, 2/M, ..., M/M）,對於每個recall值r，我們可以計算出對應（r' > r）的最大precision，然后對這M個precision值取平均即得到最后的AP值。計算方法如下：
相應的Precision-Recall曲線（這條曲線是單調遞減的）如下：
對每個recall對應的precision求均值就得到所謂的average precision，即AP。這樣就得到了對應一個類（分類器）的average precision，它表示的是該模型在某個類別上的好壞，如果要求模型在所有類別上的好壞，就求所有類別對應的AP的均值，即所謂的mAP。
參考鏈接：http://blog.sina.com.cn/s/blog_9db078090102whzw.html