1.混淆矩阵

TP：真正，真阳性，实际为正例，预测也为正例；
FP：假正，假阳性，实际为负例，预测为正例；
TN：真负，真阴性，实际为负例，预测也为负例；
FN：假负，假阴性，实际为正例，预测为负例

2.计算TP和FP

对于精度(Precision)和召回率(Recall)的计算和机器学 习一样，都是需要判断出TP(真正例)、FP(假正例)、 TN(真负例)、FN(假负例)
为了得到TP和FP，需要用到IOU，以判断检测结果正 确还是错误，一般以0.5作为IOU的阈值，如果 IOU>0.5，认为检测结果为TP，否则为FP。在COCO数 据集中，建议使用不同的阈值分别计算，在PASCAL VOC中建议直接0.5阈值。
为了计算Recall，可以直接将漏检的物体数目当做FN。

3.不同阈值下召回率的计算

mAP(mean Average Precision)在目标检测中定义为平均精度评估指标值

根据predict的置信度阈值进行排序，这里刚好就是predict1(0.9)、predict2(0.8)、predict3(0.7)的顺序；
计算在不同置信度阈值的情况下，Predicision和Recall的值。
阈值0.9，无视所有小于0.9的predict，那么此时TP=1, FP=0, precision=1，所有标签数目为3，那么recall=1/3；
阈值0.8，无视所有小于0.8的predict，那么此时TP=1, FP=1, precision=1/2，所有标签数目为3，那么recall=1/3
阈值0.7，无视所有小于0.7的predict，那么此时TP=2, FP=1, precision=2/3，所有标签数目为3，那么recall=2/3

4.绘制PR曲线，计算AP值

在每个”峰值点”往左画一条直线，和上一个”峰值点”的垂直线像交，这样和坐标轴框出来的面积就是AP值。

5.计算mAP

AP值是衡量一个类别的检测好坏情况的，mAP就是对多个类别的 检测好坏情况进行评估，简单来讲就是将所有类别的AP值进行平 均取值即可。比如现在有两个类别，类别A的AP值为0.5，类别B 的AP值为0.2，那么mAP=(0.5+0.2)/2=0.35