一、IOU的概念
交集和並集的比例（所謂的交集和並集，都是預測框和實際框的集合關系）。如圖：
二、Precision（准確率）和Recall（召回率）的概念
對於二分類問題，可將樣例根據其真實類別和預測類別組合划分為真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）
記為TP、FP、TN、FN，顯然有TP + FP + TN + FN = 樣例總數。這里着重提一下真正例的含義：預測是正例，實際上也是正例。主要它是准確率P和召回率R的分子
混淆矩陣如下：
准確率P和召回率R分別定義為：
預測的正例：TP + FP
真實的正例：TP + FN
P的含義：真正的正例占預測正例的比例。衡量的是一個分類器預測出的正例是真實正例的概率
R的含義：真正的正例占真實正例的比例。衡量的是一個分類器找出所有正例的能力。
准確率和召回率是一對矛盾的度量。一般來說，准確率高，則召回率低；准確率低，則召回率高。光靠精度還不能衡量分類器的好壞程度。比如50個正樣本和50個負樣本，我的分類器把49個正樣本和50個負樣本都分為負樣本，剩下一個正樣本分為正樣本。這樣我的准確率也是100%，但是這樣的分類器根本就不能用。
兩個極端：如果召回率100%，就是所有的正例都被找出來了。（非常簡單，就是將所有的例子都判為正例。你看，你不是要我找到所有的正例嗎？我不管好壞，全部判為正例，這樣所有的正例不都找到了嗎？），但是這樣的分類器沒用，因為它一個反例都沒有排除。
如果召回率為0%，就是一個正例都沒有找到。同樣，將所有的例子判為反例，這樣的分類器同樣沒用。
三、PR曲線
我們將分類器判別的正例分為TP、FP，我們憑什么這么干？IoU閾值就是評價標准。如果IoU的值超過一定的閾值，即分類器認為找到一個正例。而這個閾值是可以設置的。
由此可知，召回率和准確率受到了閾值設置的影響，而且閾值對於兩個指標的影響是相反的：閾值增加則准確率增加，召回率降低，反之亦然。那么我們可以通過設置一系列的閾值來得到一系列的（准確率，召回率）的指標對，然后利用這些指標對畫出坐標圖，這就是PR曲線。
四、舉例計算mAP
有3張圖如下，要求算法找出face。藍色框代表實際框（label），綠色框代表算法給出的預測框（prediction），旁邊紅色的小字代表的是置信度，設定第一張圖的預測框為pre1，第一張的標簽框叫label1。第二張、第三張同理。
1. 根據IoU計算TP、FP
首先，我們計算每張圖的pre和label的IoU，根據IoU是否大於0.5來判斷該pre是屬於TP、還是FP。顯然，pre1是TP、pre2是FP，pre3是TP
2. 排序
根據每個pre的置信度進行從高到低排序，這里pre1、pre2、pre3從高到低
3. 在不同置信度閾值下獲得Precision和Recall
首先設置閾值為0.9，無視所有小於0.9的pre。那么檢測器檢出所有框pre即TP+FP（預測的正例） = 1，並且pre1是TP，那么Precision=1/1，所以Recall=1/3。這樣就得到一組P、R值。
然后設置閾值為0.8，無視所有小於0.8的pre。那么檢測器檢出所有框pre即TP+FP（預測的正例） = 2，並且pre1是TP，那么Precision=1/2。而真實的正例有三個，所以Recall=1/3。這樣就又得到一組P、R值。
然后設置閾值為0.7，無視所有小於0.7的pre。那么檢測器檢出所有框pre即TP+FP（預測的正例） = 3，並且pre1、pre3是TP，那么Precision=2/3。而真實的正例有三個，所以Recall=2/3。這樣就又得到一組P、R值。
4. 繪制PR曲線並計算AP值
根據上面3組PR值繪制PR曲線如下，然后每個"峰值點"往左畫一條線段直到與上一個峰值點的垂直線相交。這樣畫出來的紅色線段與坐標軸圍起來的面積就是AP值
AP = 1*1/3 + (1/3)*(2/3) = 5/9 ≈ 0.56
5. 計算mAP
而mAP就是所有AP的平均值。比如有兩個類，A類的AP為0.5，B類的AP為0.3，則mAP = （0.5 + 0.3) / 2 = 0.4
參考地址：