1.準確率：Accuracy
就是檢測出來的目標中，與xml標籤中一致的佔多少。
2.精確率：Precision
與準確率的區別：就一點：準確率的分母是所有樣本。
而精確率的分母，不是要輸入分類器的所有樣本，而是分類爲正的所有樣本，是前者的一個子集。
3.混淆矩陣：Confusion Matrix
橫軸爲預測標籤，縱軸爲xml實際標籤。
舉例：模型預測爲A的樣本，實際標籤爲A的佔80%(預測對的80%)，實際標籤爲B的佔20%，
所以其實中間那條線顏色越濃越好，說明每一類的預測對了。如果沒有，就說明有誤檢。這個指標用來衡量類別之間的檢測錯誤還是挺清楚的。
4. 召回率：Recall
分子與精確率一樣，就是檢測對的正樣本。分母不一樣：Recall的分母是檢測出來的結果中，標籤爲正的樣本數量。
而精確率的分母是：檢測結果爲正的所有樣本。
檢測結果爲正的樣本，的確是檢測出來的結果，但其標籤未必也爲正對吧？所以兩者是有區別的，就在分母。
總之，Recall的分母，是檢測出的結果中，真實標籤爲正樣本的樣本總數，Precision的分母，是檢測出的正樣本總數。
區別如下：
5.平均精度：Average-Precision（AP)，與MAP
P---->AP---------->MAP
P就是precision，精確率，測試的時候，每張圖像得一個P，所有圖像計算完去平均得AP，所有類得MAP
什麼是MAP？這樣想：正樣本和負樣本只是分了2類，如果是將正樣本再細分爲多類目標，就有個AP1、AP2.....，平均下來就是MAP了。
如果只有正樣本和負樣本，那麼MAP=AP。