查准率、查全率、AP、map，參考知乎地址：https://zhuanlan.zhihu.com/p/94597205
TP (True Positive)：一個正確的檢測，檢測的IOU ≥ threshold。即預測的邊界框(bounding box)中分類正確且邊界框坐標正確的數量。在實際預測中，經常會出現多個預測框與同一個gt的IOU都大於閾值，這時通常只將這些預測框中score最大的算作TP，其它算作FP。
FP (False Positive)：一個錯誤的檢測，檢測的IOU < threshold。即預測的邊界框中分類錯誤或者邊界框坐標不達標的數量，即預測出的所有邊界框中除去預測正確的邊界框，剩下的邊界框的數量。
FN (False Negative)：一個沒有被檢測出來的ground truth。所有沒有預測到的邊界框的數量，即正確的邊界框(ground truth)中除去被預測正確的邊界框，剩下的邊界框的數量。
Precision (准確率 / 精確率)：「Precision is the ability of a model to identify only the relevant objects」，准確率是模型只找到相關目標的能力，等於TP/(TP+FP)。即模型給出的所有預測結果中命中真實目標的比例。對於某個類別A，我們先計算每張圖片中A類別TP和FP的數量並進行累加，即可得到類別A在整個數據集中TP和FP的數量，計算TP/(TP+FP)即可得到類別A的Precision (計算Precision的時候只需要用到TP和FP)，但是會發現Precision的數值是受模型預測出的邊界框的數量(上述計算式的分母部分)影響的，如果我們控制模型輸出預測框的數量，就可以得到不同的Precision，所以我們可以設置不同的score閾值，最終得到不同數量的TP和FP。
Recall (召回率)：「Recall is the ability of a model to find all the relevant cases (all ground truth bounding boxes)」，召回率是模型找到所有相關目標的能力，等於TP/(TP+FN)。即模型給出的預測結果最多能覆蓋多少真實目標。對於某個類別A，按上述方法進行累加TP的數量，計算TP/(n_gt)即可得到Recall，其中n_gt表示類別A在所有圖片中gt的數量之和。同理，如果控制模型輸出的預測框的數量，就會改變TP的數量，也就會改變Recall的值。
score、confidence：每個預測邊界框的分數/置信度，不同論文中的表達方式不同。即你的模型除了需要給出每個預測邊界框的分類結果和邊界坐標，還要給出這個邊界框包含目標的可能性，score/confidence高代表模型認為其包含目標的可能性大，或者說模型優先選擇score/confidence高的邊界框。
Precision x Recall curve (PR曲線)：所有precision-recall點相連形成的曲線(一般會為每個類別的預測框建立各自的PR曲線)。至於為什么同一個recall值下會有多個precision值，可以看之后部分的解釋。想要得到PR曲線，可以通過改變score的閾值來控制模型輸出的預測框數量，從而得到不同的TP、FP、FN。不過在實際操作中，並不需要手動來設置score的閾值，因為每個預測框都有一個score，我們只需要將其按從小到大進行排序，然后每次選擇最后一個score作為閾值即可，這樣如果類別A在所有圖片中的預測框數量之和有100個，就可以計算100組類別A的Precision-Recall值。
AP (average Precision)：平均精度，在不同recall下的最高precision的均值(一般會對各類別分別計算各自的AP)。
mAP (mean AP)：平均精度的均值，各類別的AP的均值。
mmAp：https://zhuanlan.zhihu.com/p/55575423