做算法实验时，仅仅做好算法本身是不够的，还要理解常用的评价指标和评价代码，这样才能知道自己的算法效果如何
基本概念
MAP：一般理解为PR曲线下的面积
PR曲线：Precision-Recall曲线，纵坐标是准确率Precision，横坐标是召回率Recall，随着召回率的上升，准确率下降
Precision： \(TP/(TP+FP)\)
Recall：\(TP/(TP+FN)\)
TP是预测正确的框，预测正确指类别正确，位置IOU>0.5表示正确。
FN表示漏检测的，TP+FN就是所有的目标框
FP表示错误检测，位置不对的，类别错误的，重复检测的都是FP，TP+FP是预测的所有目标
PR曲线上的每一个坐标点表示一个概率阈值时的（Recall，Precision），概率降序，很容易理解为什么准确率越来越低，而召回率升高。
代码事项
计算MAP的代码有很多，VOC评价都会用到一段代码，输入Recall数组，Precision数组计算MAP。
那么我最关心的是如何获得这两个数组？下面简述一下我的代码思路，欢迎大家批评指正
算法步骤
1.输入： preds （字典）{'cat':[[image_id,confidence,x1,y1,x2,y2],...],'dog':[[],...]}；target（字典）{(image_id,class): [[],] }
预测字典的key是类别，该类别在这些图片中有这些框；目标字典是（图片编号，类别），在这个图片中出现了这个类别，且有这些框。
2.对类别遍历preds，计算每个类别的AP
2.1统计该类别在target中的个数计为npos，也就是TP+FN
2.2取出该类别下preds中的所有预测结果并根据置信度降序排序，遍历每一张图片编号，组成（图片编号，类别）key，判断该key是否在target中，若出现，则从目标中取出框并判断是否含有位置正确的检测，检测到后从目标中删除已经匹配过的框
2.3根据2.2中的每一次判断记录该置信度的正确与否，最后通过累加tp再除npos得到召回率，累加tp再除以（tp+fp）得到准确率
3.得到召回率数组和准确率数组，带入通用函数求AP，最后平均各个类别。
小结：遍历每一个预测框，在目标中寻找是否有这个目标框（位置合理，类别也要相同），找到之后，去除已经匹配过的目标框。置信度降序排序，每取出一个预测框并判断后，得到的都是这个置信度是否预测对了，明确PR曲线坐标点含义，P是当前的准确率，除的都是当前预测框数量，而R总是除npos，总是计算整体数据上的召回。
MAP评价代码更换接口后与其他作者的MAP代码做过比较，相差0.2个点左右吧，更权威的还是官方代码，比如像coco API这样的。