计算目标检测的AP

网上有不少关于ap以及map的概念以及方法介绍，此处用于理清一些模糊的概念
Precision(查准率)，指的是我们的模型预测出来的目标中有多少是真正的目标，用TN（大于分类置信度阈值以及大于预测和标签的IoU阈值）除以预测出来的目标数量（proposals）即可
Recall（查全率），指的是有多少真正的目标物体被模型检测出来了，用TN除以原来有多少个目标(totals）即可。
举个例子，如下图所示，数据集中共有5个待检测的物体，则totals = 5，由于目标检测模型对于只有大于分类置信度阈值的目标才会输出，因为proposals视Rank的值而定。我们按照模型给出的置信度由高到低对候选框进行排序，即Rank由高到低进行排列，Correct表示的是标签与预测的IoU是否大于阈值。如果以Rank1为界限，则proposals = 1

conf阈值 TN totals proposals
Rank1 1 5 1
Rank2 2 5 2
Rank3 2 5 3
Rank依次往下，TN的值分别为（从 Rank4开始）2、2、3、4、4、4、5，totals一直是5，proposals的值则依次是4、5、6、7、8、9、10
对于检测过程中IoU阈值a、分类置信度conf阈值c，以及计算AP过程中的IoU阈值b和分类置信度阈值d，这4个概念是分开的，IoU阈值a是用来在nms中剔除冗杂的预测框，避免输出过多，而IoU阈值b是为了计算预测是否正确