使用自己的算法得到了检测结果，获取了图像集中各检测框包含的目标的类别置信度及其位置信息；

对每个类别的检测框应用NMS消除过于重叠的结果，这个NMS阈值可以自己设定；

对每一个类别：

若某检测框与gt box之间的IOU超过了设定阈值(VOC就是0.5，COCO就是0.5：005：0.95)则将这样的检测框标注为正类，否则标注其为负类；

按照分类置信度从高到底排序，设定不同的score阈值时，求取查准率P和查全率R；

根据数据集的规则，求取当前类别的AP值，如按照VOC数据集2010之后的规则，就是R取 [ 1 N , ⋯   , N N ] [\frac{1}{N},\cdots,\frac{N}{N}] [N1​,⋯,NN​]时的各最高P值的均值；

对所有类别的AP求均值，得到mAP；

如果是COCO数据集，上面的mAP也只是针对某一IOU阈值的mAP，还应该对不同的IOU值重复1- 4的过程，最终再求均值，得到mAP@[.5,.95]。