对于检测目标为dog的蓝色检测框，和ground truth_dog（黄色框）的IoU>0.5，为True Positive(TP)
对于检测目标为dog的蓝色检测框，和ground truth_dog（黄色框）的IoU<0.5，为False Positive(FP)
对于检测目标为Non的蓝色检测框，和ground truth_dog（黄色框）的IoU>0.5，为False Negative(FN)
Precision（精准度），检测器检测出来是dog且真实是dog占所有检测器认为是dog的比例
\[P = \frac{TP}{TP+FP}
\]
Recall（召回率），检测器检测出是dog且真实是dog占所有真实是dog的比例
\[R = \frac{TP}{TP+FN}
\]
对于IoU>0.5，0.5是阈值threshold，随着阈值的改变，会影响TP、FP、FN，进而影响P和R，从threshold=0开始，递增改变threshold，计算出针对每个threshold的P和R，描点（P，R）作图，即PR曲线
更高的P和R是我们追求的目标，但二者是矛盾的关系，追求更高的P则R必然会下降，反之亦然
为了权衡选择，将PR曲线下的面积作为衡量标准，即AP（Average Precision）
目标检测问题可能需要检测多个类别：dog，bicycle，car...，计算每个类别的AP然后取平均值即为mAP
参考：https://blog.csdn.net/qianbin3200896/article/details/103990474