Recall_Precision_mAP

召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））

Accuracy：准确率，预测对的除以总样本数 

Precision：准确率/预测正率 （正样本）

Recall     ：召回率/查对率，预测对占实际是对的

mAP

公式

多标签图像分类（Multi-label Image Classification）任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean accuracy。该任务采用的是和信息检索中类似的方法—mAP（mean Average  Precision）。mAP虽然字面意思和mean accuracy看起来差不多，但是计算方法要繁琐得多。

在图像中，尤其是分类问题中，AP是一种评价ranking方式好不好的指标：

举例来说，一个二分类问题，分别5个样本，如果这个分类器性能达到完美的话，ranking结果应该是：

+1，+1，+1，+1，+1，-1，-1，-1，-1，-1

但是分类器预测的label，和实际的score肯定不会这么完美。这个过程为：首先把所有bbox找出，并在上面加上confidence，每一类都根据confidence从大到小排列，接下来计算两个指标：precision和recall。比如分类器认为打分由高到低选择了前四个，实际上这里面只有两个是正样本。此时的recall就是2（能包住的正样本数）/5（总共的正样本数）=0.4，precision是2（你选对了的）/4（总共选的）=0.5

从上面的例子可以看出，其实precision，recall都是选多少个样本k的函数，如果总共有1000个样本，那么就可以像这样计算1000对P-R，并把他们画出来，这就是PR曲线。

这里有一个趋势，recall越高，precision越低。这是很合理的，从公式中可以看出，虽然精确率与召回率没有必然的关系，然而在大规模数据集