1.准确率：Accuracy
就是检测出来的目标中，与xml标签中一致的占多少。
2.精确率：Precision
与准确率的区别：就一点：准确率的分母是所有样本。
而精确率的分母，不是要输入分类器的所有样本，而是分类为正的所有样本，是前者的一个子集。
3.混淆矩阵：Confusion Matrix
横轴为预测标签，纵轴为xml实际标签。
举例：模型预测为A的样本，实际标签为A的占80%(预测对的80%)，实际标签为B的占20%，
所以其实中间那条线颜色越浓越好，说明每一类的预测对了。如果没有，就说明有误检。这个指标用来衡量类别之间的检测错误还是挺清楚的。
4. 召回率：Recall
分子与精确率一样，就是检测对的正样本。分母不一样：Recall的分母是检测出来的结果中，标签为正的样本数量。
而精确率的分母是：检测结果为正的所有样本。
检测结果为正的样本，的确是检测出来的结果，但其标签未必也为正对吧？所以两者是有区别的，就在分母。
总之，Recall的分母，是检测出的结果中，真实标签为正样本的样本总数，Precision的分母，是检测出的正样本总数。
区别如下：
5.平均精度：Average-Precision（AP)，与MAP
P---->AP---------->MAP
P就是precision，精确率，测试的时候，每张图像得一个P，所有图像计算完去平均得AP，所有类得MAP
什么是MAP？这样想：正样本和负样本只是分了2类，如果是将正样本再细分为多类目标，就有个AP1、AP2.....，平均下来就是MAP了。
如果只有正样本和负样本，那么MAP=AP。