1. iou
iou由预测的包围盒与truth包围盒的交集，除以它们之间的联合区域（p代表预测框，gt代表真值框）
2. precision（查准率）recall（查全率）
precision/recall是针对于所有图片的某一类来说。
使用训练好的模型得到所有测试样本的confidence score，假设有20个测试样本，排序结果如下：
我们将上面数据对应到下图，选择top-5预测模型好坏，那么，圆圈内预测的真值（true positives + false positives）对应的就是top-5的结果，true positive就是id为2 4的照片，false positives是指id为13 19 6的照片。圆圈外gt_label为1的则是false negatives，gt_label为0的则是true negatives。
那么，这个例子中Precisinotallow=2/5=40%，意思是对于car这一类别，我们选定了5个样本，其中正确的有2个，即准确率为40%；Recall=2/6=30%，意思是在所有测试样本中，共有6个car，但是因为我们只召回了2个，所以召回率为30%。
3. AP（平均精度）
AP也是针对所有图片内的某一类的。
AP有两种算法:
第一种算法：首先设定一组recall阈值，[0,0.1,0.2,…,1]，然后对每个recall阈值从小到大取值，同时计算当取大于该recall阈值时top-n所对应的的最大precision，这样，我们就计算了11个precision。AP即为这11个precision的平均值。这种方法英文名叫做11-point interpolated average precision。
第二种算法：假设N个样本有M个正例，我们会得到M个recall值（1/M,2/M,…,M/M），对于每个recall值r，该阈值对应top-n的最大precision，然后对这M个precision取平均值得到AP。
上图为top-20，随着recall的增加，precision随之变化，当遇到正样本时，recall才变化，遇到负样本时，recall不变，当前最大precision也不变，相应的precision-recall曲线如下：
4.mAP（平均精度均值）
mAP的对象是所有类的图片，衡量的是训练的模型在所有类别上的好坏。C为类数目。
