mAp计算
参考：https://blog.csdn.net/ruyingcai666666/article/details/109670567
在目标检测算法中，当一个检测结果(detection)被认为是True Positive时，需要同时满足下面三个条件：
1，Confidence Score > Confidence Threshold
2，预测类别匹配(match)真实值(Ground truth)的类别
3，预测边界框(Bounding box)的IoU大于设定阈值，如0.5
不满足条件2或条件3，则认为是False Positive。
改变不同的置信度阈值，可以获得多对Precision和Recall值，Recall值放X轴，Precision值放Y轴，可以画出一个Precision-Recall曲线，简称P-R曲线。
如上图所示，当Threshold单调下降的时候，recall是单调上升的；而Precision总体趋势是下降的，局部趋势可能上升，也可能下降，走的所谓“zigzag”形状。
改变IoU的阈值，绘制recall和IoU关系曲线。当IoU≥0.5，检测结果才被认为是True Positive，所以绘制曲线的时候，IoU取值 0.5≤IoU≤1.0。
从Recall-IoU曲线可以看出，Recall跟IoU是单调递减关系，即IoU增加，Recall减少。
了解Confidence Score、IoU、Precision-Recall曲线以及Recall-IoU曲线后，下面本文将介绍目标检测的关键性能评估指标：AP(Average Precision），mAP(mean Average Precision)
图2 PR曲线， 改变IOU，confidence = 0.3
小结：目标检测过程中，候选框必须满足：置信度 > 阈值、IOU > 0.5，才行，在评价的时候，例如：固定IOU为0.5，通过改变置信度阈值，可以得到一个PR曲线，计算积分就得到mAp@0.5；
接着将IOU阈值修改为：0.5-0.95等9个阈值，得到另外9个PR曲线，对应9个mAp，那么最终的mAp计算公式为：
mAp@0.5：0.95 = (mAp@0.5 + mAp@0.55 + ... + mAp@0.95) / 10
