每次談到這些值得時候都很混亂，這邊通俗的講解出來，然而目前mAP還沒弄明白，後續弄明白再貼出來。。。。

TP是正樣本預測為正樣本

FP是負樣本預測為正樣本

FN是本為正，錯誤的認為是負樣本

TN是本為負，正確的認為是負樣本

precision就是在識別出來的圖片中（預測為正樣本的圖片是識別出的圖片），TP所佔的比值：

precision=TP/(TP+FP)

recall就是被正確識別出來的正樣本個數與測試集中所有正樣本的個數的比值：

recall=TP/(TP+FN)

accuracy=(TP+TN)/(TP+FP+FN+TN)

IoU就是系統預測出來的框與原來圖片中標記的框的重合程度。即檢測結果Detection Result與 Ground Truth 的交集比上它們的並集，即為檢測的準確率： 

IoU=(DetectionResult⋂GroundTruth)/(DetectionResult⋃GroundTruth)

mAP是多類的檢測中，取每個類AP的平均值。AP（average precision）就是這個曲線下的面積，這裡average等於是對recall取平均。而mAP（mean average precision）的mean，是對所有類別取平均。