mAP（mean Average Precision） 即： 全类别平均正确率
在机器学习中的目标检测领域，是十分重要的衡量指标，用于衡量目标检测算法的性能。一般而言，全类平均正确率（mAP，又称全类平均精度）是将所有类别检测的平均正确率（AP）进行综合加权平均而得到的
前置知识点：
T：True，代表判断正确
F：False，代表判断正确
P：Positive，代表被分为正样本
N：Negative，代表被分为负样本
TP（True Positive）： 代表被分为正样本且本身就是正样本、即：正确检测出来了
FP（False Positive）： 代表被分为正样本、但实际是负样本、即：没有检测出来
TN（True Negative）： 代表被分为负样本且分对了(在mAP指标中不会使用到TN)、即：不是检测目标也没有被检测出来
FN（False Negative）： 代表被分为负样本但是分错了，即：被检测为目标、其实不是
有二个相关指标： 精确率(Precision)与召回率(Recall)
召回率(Recall)：
通俗的讲就是：样本中有多少个目标、你检测出来多少个
精确率(Precision):
精准率和召回率之间的矛盾关系
一般情况下精准率越高在召回率越低、反之亦然。
通俗来说、如果你想提高精准率则需要提高置信度、监测出的样本就会减少、召回率就会下降。
极端情况下，只检测出一个结果、且是正确的。这个时候positive为100%，但是召回率就很低、如果把所有样本都返回，recall位100%，则positive就会降低。
AP是针对目标检测模型中某个单独的类别的识别效果来说的。 代表某一类别的P-R曲线下的面积值，P-R曲线是在同一IOU阈值下，通过调整置信区间、不同Recall值与Precision值对应关系的曲线。比如下面：
mAP是所有类别的AP值取平均（mean）后的结果。一般来说，一个越好的目标检测网络其mAP值就越高。
如果是做搜索，那就是保证召回率的情况下提升精确率。
如果做疾病监测、反垃圾，则是保证精确率的条件下，提升召回率。
如果是做实验研究，也可以绘制Precision-Recall曲线来帮助分析。
