准确率Precision
召回率Recall
其实这个翻译相当蛋疼。。。

recall最合理的翻译应该是 查全率
而Precision的最合理的翻译应该是查准率

这样就很容易理解了，假设一个班级有10个学生，5男5女
你用机器找女生，机器返回了一下结果：
| 男 | 女 | 女 | 男 | 女 | 男 |

那么查准率为：3/6 = 0.5（返回的6个结果只有3个正确）
查全率为: 3/5 = 0.6 （所有女生有5个，但只找到3个）

然后就是mAP的解释了，一张图可以说明：

在多个类别的检测中，算出召回率从0到1时的准确率（同一召回率取最高的准确率），计算准确率的平均值。然后对所有类别求平均就可以得到mAP了。

实际的detection比赛中，有多个benchmark。下图是COCO比赛的截图，截止到2017年10月5号：

$Average Precision (AP):$
$AP$      % AP at IoU=0.50:0.05:0.95 (primary challenge metric)
$AP$^$50$    % AP at IoU=0.50 (PASCAL VOC metric)
$AP$^$75$    % AP at IoU=0.75 (strict metric)

$AP Across Scales:$
$AP$^$S$    % AP for small objects: area < $32^2$
$AP$^$M$    % AP for medium objects: $32^2$ < area < $96^2$
$AP$^$L$    % AP for large objects: area > $96^2$

$Average Recall (AR):$
$AR$¹    % AR given 1 detection per image
$AR$¹⁰    % AR given 10 detections per image
$AR$¹⁰⁰    % AR given 100 detections per image

$AR Across Scales:$
$AR$^$S$    % AR for small objects: area < $32^2$
$AR$^$M$    % AR for medium objects: $32^2$ < area < $96^2$
$AR$^$L$    % AR for large objects: area > $96^2$