参考资料：

https://yanfengliux.medium.com/the-confusing-metrics-of-ap-and-map-for-object-detection-3113ba0386ef

COCO训练数据结果给了一个较为复杂的表格：

解释一下表格中的含义：

【0】预测结果可能的情况

TF表示预测是否正确，PN表示预测结果的正负。

P=(TP)/(TP+FP)

R=(TP)/(TP+FN)

精度P是衡量在所有预测中正确预测的百分比；召回率R是衡量现实中所有正面案例中正确正面预测的百分比。

【1】AP，AR

AP：PR曲线下的面积

AR：是衡量一个模型检测框定位是否准确的指标。

AR是IoU在[0.5, 1.0]上所有recall的平均。

Average recall describes the area doubled under the Recall x IoU curve. The Recall x IoU curve plots recall results for each IoU threshold where IoU ∈ [0.5,1.0], with IoU thresholds on the x-axis and recall on the y-axis.

AR是由What makes for effective detection proposals?（https://arxiv.org/pdf/1502.05082.pdf）这篇文章提出具体的代码实现为（https://github.com/hosang/detection-proposals/blob/master/recall/compute_average_recall.m）：

参考这篇：https://manalelaidouni.github.io/Evaluating-Object-Detection-Models-Guide-to-Performance-Metrics.html

https://blog.csdn.net/aaayushu/article/details/106236370

【2】IoU

传统理解为，IoU大于50%的时候，认为是目标检测到了。

为了更细化区分网络的性能，COCO数据集的评价标准中，把IoU的值从50%到95%每隔5%进行了一次划分。

具体来说，0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 ，一共十个，每次测试的时候都是在IoU=这个数上测试的。

在这10组precision-recall对中，我们对这十个值取平均（我理解为，10个PR曲线下得到的AP值，然后对这10个AP进行平均），得到了一个AP@[0.5:0.95]

有时固定IoU的阈值，比如50%或75%，也就是AP50和AP75，意味着IoU为50%或者75%时的AP值。

·我们为什么要在不同的IoU情况下求AP和AR？

方便模型进行惩罚差的结果，优化好的结果。

【3】mAP：不同类别的AP求平均值【4】COCO的图像大小衡量标准：

https://blog.csdn.net/meccaendless/article/details/87176932