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：
Evaluate annotation type *bbox*
DONE (t=0.04s).
Accumulating evaluation results...
DONE (t=0.01s).
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.621
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=1000 ] = 0.970
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=1000 ] = 0.730
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.575
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.725
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.575
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.676
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=300 ] = 0.676
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=1000 ] = 0.676
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.634
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.773
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.660
OrderedDict([('bbox_mAP', 0.621), ('bbox_mAP_50', 0.97), ('bbox_mAP_75', 0.73), ('bbox_mAP_s', 0.575), ('bbox_mAP_m', 0.725), ('bbox_mAP_l', 0.575), ('bbox_mAP_copypaste', '0.621 0.970 0.730 0.575 0.725 0.575')])
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。
TP，FP，FN，TN
【1】AP，AR
AP：PR曲线下的面积
PR曲线
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.
Recall-IoU曲线
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
