环境
- windows 10 64bit
Precision和Recall
先看下面的示意图
其中，黄色部分是系统返回的结果，绿色部分是所有对用户有用的结果。两者的重叠部分，叫做 TP: True Positive；而返回结果的剩余部分，叫做 FP: False Positive，这部分对用户来说是没有用的；而绿色部分剩下的，叫做 FN: False Negative，这部分本来是对用户有用的，但是系统却认为没用；最后剩下的灰色部分，叫做 TN: True Negative，就是真的没用的结果。
可以很容易看出, TRUE/FALSE 是从结果是否分对的角度来看的，而 Positive/Negative 表示 我们认为的 "是"还是"不是"。
由上面可知，Precision 的计算公式应是
Precision 表明系统识别出的结果中，有多少是正确的。
而Recall的计算公式为
Recall 表明在所有正确的结果中，系统到底能够检出多少。
需要注意的是，Precision 和 Recall 是成对出现的，单独出现是没有意义的。比如一张图片中有10只猫，识别系统只检测出了一只猫，并且是正确的，那么 Precision 就是100%，但是 Recall 却很低，只有10%
下图就是我们经常会看到的 P-R 图
当 Recall 越来越大时，如果 Precision 仍处在一个较高的位置，就说明这是一个好的系统。
F1-Score
F1-Score 或叫 F1-Measure 就是精确值和召回率的调和均值, 也就是
调整下，就是
IoU
交并比 IoU(Intersection over Union) 衡量的是两个区域的重叠程度，是两个区域重叠部分面积占二者总面积(重叠部分只计算一次)的比例。如下图
需要注意的是，如果 IoU 为0.5，并不意味着每个框刚好有50%与另外一个框是交叉的，这个比例还要更高。
mAP
先来看 AP，即 Average Precision，平均精度，是 P-R 曲线下的面积，可以参考上面的 P-R 图，AP 值越大，效果越好。
mAP 是 mean Average Precision 的缩写，即每一类的 AP 的平均值，mAP 取值范围是0~1，越大越好，它是目标检测算法中最重要的评估指标之一。
经常看到的 mAP@0.5，意思就是将 IoU 设为0.5时，计算 mAP，而 mAP@.5:.95 即表示在不同的 IoU 阈值(从0.5到0.95，步长是0.05)上的 mAP。
