P(Positive)表示预测为正样本，N(negative)表示预测为负样本，T(True)表示预测正确,F(False)表示预测错误。
TP：正样本预测正确的数量（正确检测）
FP：负样本预测正确数量（误检测）
TN：负样本预测错误数量
FN：正样本预测错误的数量（漏检测）
1.准确率：正确样本占总样本的比例
Accuracy=（TP+TN）/（TP+TN+FP+FN）
2.精确率：正样本预测正确占正样本的比例
precision=（TP）/（TP+FP）
精确度低，召回率高的解决办法：
模型把大量背景（负样本）错判成目标（正样本 ）。
主要原因不外乎数据本身有问题：1、图片上目标没有标全，有大量没标注的 ，这样会导致模型其实学到了目标物特征，但是真值是负样本（没有标注）；2、图片上目标标的太仔细，把非常小像素的目标（特征跟背景相差不大）都标了，这样也会导致模型错把背景当成目标 。
3.召回率：正样本预测正确占实际正样本的比例
R=（TP）/（TP+FN）
为了找到所有正样本。
召回率低，精确度高的解决办法：
对错误的标注样本进行修正。
4. 平均精度AP
AP 就是Precision-recall 曲线下面的面积。
5.map
当我们把所有类别的AP都计算出来后，再对它们求平均值，即可得到mAP。