目標檢測模型的好壞通常用mAP和FPS來評價，一個代表准確度，一個代表速度。
mAP的評價指標確切的說無模型無關。
mAP--mean Average Precision.
我們用Precision表示模型預測的精度，即模型預測的所有正例中真正正例的比例
用recall表示模型的召回率，即模型預測的真正正例中占所有正例的比例。文字描述比較費勁。
畫一個圖就好理解了。
Precision = TP / （TP+ FN） 預測正確的框 / 所有的預測的框
Recall = TP / （TP+ FN） 預測正確的框 / 所有的框
在目標檢測如何判斷預測正確呢，通常計算預測框與真實框的iou，一般設定閾值為0.5， 即大於0.5的判斷為預測正確（TP）
因為一個GT只能對應一個預測框，那么只有與GT框 iou最大的，且大於0.5的為TP，其余均為FP 。
舉一個例子，例子來源知乎AICV的回答：
預測框為紅色，GT框為綠色，圖片中的百分數為置信度，置信度為88%的框與GT框iou小於0.5，所以這個預測框為FP，依次可以類推出所有的預測框是TP or FP
將置信度從大到小排列
求出所有的TP數量和FP數量，求出不同置信度下的Precision和Recall，繪制PR曲線，橫坐標為Recall，縱坐標為Precision
計算PR曲線下的面積，即為所求的AP值
如何計算面積呢？
在VOC2012之前，只需要選取當Recall >= 0, 0.1, 0.2, ..., 1共11個點時的Precision最大值，然后AP就是這11個Precision的平均值。
需求根據之前的PR曲線插值求出Recall 分別等於0.1，0.2，0.3.。。。1時的Precision值.
在VOC2012之后，需要針對每一個不同的Recall值（包括0和1），選取其大於等於這些Recall值時的Precision最大值，
然后計算PR曲線下面積作為AP值。
（ 0.0666-0）*1 + （0.1333-0.0666）*（0.6666）+ （0.2-0.1333）*（0.4285）+（0.2666-0.2）*（0.4285）+（0.3333-0.2666）*（0.4285）
+（0.4-0.3333）*（0.4285）+ （0.46666-0.4）*（0.3043）+（1-0.46666）* 0 = 0.245627808
最終求得AP值為24.56%
要計算 mAP，就把所有類別的 AP 計算出來，然后求取平均即可。