yolo,mAP, 召回率（Recall），精确率（Precision），(TP,TN,FP,FN)，交除并（Intersection-over-Union（IoU））

mAP

平均精度(mAP)是一个度量标准，用于评估对象检测模型，如Fast R-CNN, YOLO, Mask R-CNN等。

mAP formula is based on the following sub metrics（mAP公式基于以下子度量）:
Confusion Matrix,
Intersection over Union(IoU),
Recall, 
Precision

1.confusion matrix

TP(True Positives): True：表示预测正确，Positives表示预测的结果是正。说明使用的是正样本
TN(True Negatives): True：表示预测正确，Negatives表示预测的结果是负。说明使用的是负样本
FP(false psitives): false：表示预测错误，psitives表示预测的结果是正。说明使用的是负样本
FN(false Negatives): false：表示预测错误，Negatives表示预测的结果是负。说明使用的是正样本

规律： 
True，flase分别表示预测结果正确/错误。
Positives ,Negatives表示预测的结果为正/负

2.Intersection over Union (IoU)

红色框是预测的边界
绿色的是真实的边界
IoU = 预测的框 ∩ 真实的框 / 预测的框 ∪ 真实的框 

3.Precision

识别的图片中，True positives所占的比率

$$precision=\frac{tp}{tp+fp}$$

tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fp:预测错误 且 预测出来的结果是正 (说明使用的是负样本) 的图片数量

4.recall

$$recall=\frac{tp}{tp+fn}$$

tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fn:预测错误 且 预测出来的结果是负 (说明使用的是正样本) 的图片数量

precisions: 分母使用的预测结果都是正
recall: 分母使用的都是正样本

参考连接：【YOLO学习】召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））
参考链接：Mean Average Precision (mAP) Explained: Everything You Need to Know