目标检测中常见的指标

TP（true positive）：IoU > 0.5（并不一定是0.5，根据情况设定） 的边界框数量（同一Ground Truth只计算一次） ；

 例如图中绿色框为人为标注的真实框，0.9的红色框则可视为检测成功的。

FP（False Positive，假阳性）：IoU <= 0.5 的边界框数量（或者是检测到同一个GT的多余检测框的数量），上图中0.3的红色框即可视为假阳性

FN（False Negative）：漏检的GT的数量。右下角的猫即为漏检的对象

Precision = TP/（TP+FP），即模型预测的所有目标中，预测正确的比例。（查准率）

 但是仅凭此并不能准确评判网络的好坏，例如上图，FP=0，那么套入公式Precision就等于1了，查准率为100%，但是实际还有未检测的对象，所以仅凭此不能评判网络的好坏。

Recall = TP/（TP+FN）,即所有真实目标中，预测到且预测正确的比例。（召回率、查全率）

 同样如上图所示，当检测框的数量很多时，把所有对象都包含，且此时FN=0，没有漏检，此时recall是等于100%的，但是实际图中还有很多FP，所以仅凭此也不能表达网络的好坏。

所以据此有了如下评判标准：

AP：   P-R曲线下面积

P-R曲线：      Precision-Recall曲线

mAP：    mean Average Precision, 即各类别AP的平均值