这里依据darknet来分析，但是适用所有的目标检测算法。

1. nms的confidence thresh

训练好模型执行检测，会得到多组检测结果，每组包括一个bounding box四个坐标相关值和每个bounding box所对应类别的置信度。

首先这里设定一个confidence阈值，低于阈值的bounding box直接去掉（置0）。

darknet中这个thresh是0。

2. nms的IoU thresh

然后剩下的bounding box中选出每个类别confidence最高的bounding box，根据nms算法再去掉一些bounding box。

nms算法的理论请参考链接：【目标检测】NMS(Non-maximum suppression，非极大值抑制)算法。

举例来说。

对每一个类，依次计算剩下的bounding box和选出来的confidence最高的bounding box计算IoU。

计算出的IoU大于nms-IoU阈值的bounding box去掉（置0）。

darknet中计算recall时thresh是0.4，计算map和test_detector时是0.45。

3. map的confidence thresh

经过nms之后得到的一系列bounding box和类别，我们也并不会认为预测得到的结果都是正确的。

因此还会设定一个confidence thresh，大于thresh的bounding box类别是positive正例，反之则是negative负例。

4. map的IoU thresh

经过第3步的阈值过滤之后，才会设定一个map的IoU thresh，计算与groundtruth的IoU，大于thresh的是true positive（真正例，TP），反之则是false positive（假正例，FP），从而计算出AP和mAP。

通过不断选定confience阈值可以画出PR曲线。