准确率或查准率（Precision）和召回率或查全率（Recall）

准确率(Precision)：预测为正的样本中有多少是真正的正样本。

召回率(Recall)：样本中的正例有多少被预测精确。

准确率和召回率打算办法

个中：

正例：正样本，即该位置存在对应类别的物体。
负例：负样本，即该位置不存在对应类别的物体。
TP（True Positives）：正样本预测为正样本的数量。
FP（False Positives）：负样本预测为正样本的数量。
FN（False Negative）：正样本预测为负样本的数量。
TN（True Negative）：负样本预测为负样本的数量。

PR曲线

利用Precision、Recall为纵、横坐标，就可以得到PR曲线。

交并比IOU(Intersection Over Union)

交并比(IOU)是度量两个检测框（对付目标检测来说）的交叠程度

交并比打算公式

Bgt 代表的是目标实际的边框(Ground Truth，GT)，Bp 代表的是预测的边框，通过打算这两者的 IOU，可以判断预测的检测框是否符合条件。

交并比打算公式图像表示

AP 是打算某一类 P-R 曲线下的面积，mAP 则是打算所有种别 P-R 曲线下面积的均匀值。

举例解释AP打算过程：

以下有 7 张图片（Images1-Image7），这些图片有 15 个目标（绿色的框，GT 的数量）以及 24 个预测边框（赤色的框，A-Y 编号表示，并且有一个置信度值）

下表显示了边界框及其相应的置信度。
末了一列将检测标识为 TP 或 FP。
在此示例中，如果 IOU大于即是30%，则考虑 TP，否则为 FP。
通过查看上面的图像，我们可以大致判断检测是TP还是FP。

通过上表，我们可以绘制出 P-R 曲线（由于 AP 便是 P-R 曲线下面的面积），但是在此之前我们须要打算出 P-R 曲线上各个点的坐标，根据置信度从大到小排序所有的预测框，然后就可以打算 Precision 和 Recall 的值

第 2 行（图像 7）的打算示例：准确率 = TP/（TP+FP） = 1/2 = 0.5，召回率 = TP/（TP+FN） = 1/15 = 0.066

P-R曲线

得到 P-R 曲线就可以打算 AP（P-R 曲线下的面积），要打算 P-R 下方的面积，一样平常利用的是插值的方法，取 11 个点 [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1] 的插值所得

通过运用 11 点插值，我们有：

打算在所有点中实行的插值

看看上面的图，我们可以将AUC分为4个区域（A1，A2，A3和A4）：

打算总面积，我们有AP：

要打算 mAP，就把所有类别的 AP 打算出来，然后求取均匀即可。

参考：rafaelpadilla/Object-Detection-Metrics: Most popular metrics used to evaluate object detection algorithms.