1.mAP
mAP的全称是mean Average Precision，意为平均精度均值（如果按照原来的顺利翻译就是平均均值精度）。这个指标是多目标检测和多标签图像分类中长常用的评测指标，因为这类任务中的标签大多不止一个，所以不能用普通的单标签图像的分类标准，也就是mean Precision，平均精确确率这个指标。mAP是将多分类任务中的平均精度AP（Average Precision）求和再取平均。
---------------------------------------来自菜鸡的分割线-----------------------------------------
因为我对基本概念的东西一直都模棱两可的，所以还是先拓展一下Precision，精确率这个指标。精确率的定义是，对于给定的测试数据集，分类器正确分类的样本数与总样本数之比的值。
假设样本总图像数为 n（x+y），预测目标数为 x，干扰目标数为 y，预测正确的正样本数（True Positive）为TP，预测错误的正样本数（False Positive）为FP，预测正确的负样本数（True Negative）为TN，预测错误的负样本数（False Negative）为FN。
则精确率Precision和召回率Recall的定义为：
Precision就是检测出来的样本有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。
而平均精确率，即为所有准确率的和除以该类别的图像数量：
AP衡量的是模型在单个类别上判断结果的好坏（效果好坏），mAP衡量的是模型在所有类别上的好坏。
由于目标检测中有不止一个类别，因此需要对所有类别计算平均AP值：
其中， 分子为每一个类别的平均精度， 分母为总类别数。
看回第4点的那个例子：
当需要检索的人数为1时，AP=（100%+66.66%+50%）/3=72.22%
而当需要检索的不止1个人时，此时正确率则取所有人的平均mAP。如图所示：
---------------------------------------来自菜鸡的分割线-----------------------------------------
2.Rank-k
搜索结果中最靠前（置信度最高）的n张图有正确结果的概率。
参考资料：https://blog.csdn.net/Chen_yuazzy/article/details/89261887
例子：
假设你的分类系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。
现在做如下的定义：
True positives : 飞机的图片被正确的识别成了飞机。
True negatives: 大雁的图片没有被识别出来，系统正确地认为它们是大雁。
False positives: 大雁的图片被错误地识别成了飞机。
False negatives: 飞机的图片没有被识别出来，系统错误地认为它们是大雁。
假设你的分类系统使用了上述假设识别出了四个结果，如下图所示：
那么在识别出的这四张照片中：
True positives : 有三个，画绿色框的飞机。
False positives: 有一个，画红色框的大雁。
没被识别出来的六张图片中：
True negatives : 有四个，这四个大雁的图片，系统正确地没有把它们识别成飞机。
False negatives: 有两个，两个飞机没有被识别出来，系统错误地认为它们是大雁。
Precision 与 Recall
Precision其实就是在识别出来的图片中，True positives所占的比率：
其中的n代表的是(True positives + False positives)，也就是系统一共识别出来多少照片 。
在这一例子中，True positives为3，False positives为1，所以Precision值是 3/（3+1）=0.75。
意味着在识别出的结果中，飞机的图片占75%。
Recall 是被正确识别出来的飞机个数与测试集中所有飞机的个数的比值：
Recall的分母是(True positives + False negatives)，这两个值的和，可以理解为一共有多少张飞机的照片。
在这一例子中，True positives为3，False negatives为2，那么Recall值是 3/（3+2）=0.6。
意味着在所有的飞机图片中，60%的飞机被正确的识别成飞机.。
原文链接：https://blog.csdn.net/hysteric314/article/details/54093734