precision 准确率, recall 召回率 , IoU, mAP
从图像的角度理解precision, recall, IoU三个概念，我觉得下面这个图非常直观：
参考网页：
How to calculate mAP for detection task for the PASCAL VOC Challenge?datascience.stackexchange.com
*上对precision, recall的解释如下：
用一个目标识别的例子解释上图：有一个图片，里面有12个狗和若干只猫，我们的任务是识别狗。而你的模型识标记处来的8个“狗”中只有5个是真正的狗（true positives），其他的是猫（false positives）。所以precision=5/8；recall=5/12 。
precision又叫 positive predictive value，recall又叫sensitive；对于一个模型来说，这两个参数有着此消彼长的关系，就是一个的提高是往往是以消耗另一个为代价的，很难做到两个参数都很接近1，如下图所示。
参考网页：
Precision and recallen.wikipedia.org
AP score 定义为precision 在11个等距离的recall值之和的平均值, Recall_i = [0, 0.1, 0.2, …, 1.0]. 即
参考下面文献的第4.2节：
http://host.robots.ox.ac.uk/pascal/VOC/pubs/everingham10.pdfhost.robots.ox.ac.uk
mAP是通过计算所有类（或所有超过IoU阈值）的AP平均值
the mean Average Precision or mAP score is calculated by taking the mean AP over all classes and/or over all IoU thresholds,depending on the competition.
参考网页:
注：只是自己看书的理解，恐有错漏，请多指教！