mAP计算方式
Accuracy：准确率
准确率=预测正确的样本数/所有样本数，即预测正确的样本比例（包括预测正确的正样本和预测正确的负样本，不过在目标检测领域，没有预测正确的负样本这一说法，所以目标检测里面没有用Accuracy的）。
Precision：查准率
Precision表示某一类样本预测有多准。
Precision针对的是某一类样本，如果没有说明类别，那么Precision是毫无意义的（有些地方不说明类别，直接说Precision，是因为二分类问题通常说的Precision都是正样本的Precision）。
Recall：召回率
Recall和Precision一样，脱离类别是没有意义的。说道Recall，一定指的是某个类别的Recall。Recall表示某一类样本，预测正确的与所有Ground Truth的比例。
Recall计算的时候，分母是Ground Truth中某一类样本的数量，而Precision计算的时候，是预测出来的某一类样本数。
AP: Average Precision
以Recall为横轴，Precision为纵轴，就可以画出一条PR曲线，PR曲线下的面积就定义为AP，即：
由于计算积分相对困难，因此引入插值法，计算AP公式如下：
设总数为N的样本中总共有M个正样本，则从Top-1至Top-N可以有M个recall值，分别为（1/M,2/M,…,M/M），对于每个recall值r，可以从对应的（r’>=r）中计算出一个最大的precision，对这M个precision求平均得到AP，如下图所示：
在上图所示中，共有6个正例，因此共有6个recall值，分别为1/6、2/6、3/6、4/6、5/6、6/6，
当recall=1/6时，r’为1/6、2/6、3/6、4/6、5/6、6/6，最大的precision=1；
当recall=2/6时，r’为2/6、3/6、4/6、5/6、6/6，最大的precision=2/2=1；
当recall=3/6时，r’为3/6、4/6、5/6、6/6，最大的precision=4/7；
当recall=4/6时，r’为4/6、5/6、6/6，最大的precision=4/7；
当recall=5/6时，r’为5/6、6/6，最大的precision=5/11；
当recall=6/6时，r’为6/6，最大的precision=6/16。
目标检测mAP
物体检测中经常用mAP（Mean Average Percision, mAP）评价模型性能：
- mAP是针对多类来说的
- mAP：多个物体类别的AP的平均
- mAP的对象是所有类的所有图片，衡量的是学出的模型在所有类别上的好坏。
计算如下所示，其中C为类别数目.
参考：
https://blog.csdn.net/zdh2010xyz/article/details/54293298
https://www.zhihu.com/question/41540197/answer/182056706