对于检测，确定一个对象提议是否正确的常用方法是Intersection over Union (IoU, IU)。这需要集合 提议的对象像素和真实对象像素的集合 并计算：
通常，IoU > 0.5 表示成功，否则失败。对于每一类，可以计算
mAP（平均平均精度）=
如果想要更好的建议，确实可以将 IoU 从 0.5 增加到更高的值（最高到 1.0，这将是完美的）。可以用 mAP@p 表示这一点，其中是 IoU。
但是mAP@[.5:.95]（如本文所述）是什么意思？
mAP@[.5:.95]（有人表示mAP@[.5,.95]）表示不同 IoU 阈值上的平均 mAP，从 0.5 到 0.95，步长 0.05（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）。
有一个相关的 MS COCO 挑战和一个新的评估指标，它在不同的 IoU 阈值上平均 mAP，从 0.5 到 0.95（写为“0.5:0.95”）。[参考]
我们评估 IoU ∈ [0.5 : 0.05 : 0.95]（COCO 的标准度量，简称为 mAP@[.5, .95]）和 mAP@0.5（PASCAL VOC 的度量）的平均 mAP。[参考]
为了评估我们的最终检测，我们使用官方的 COCO API [20]，它测量 mAP 在 [0.5 : 0.05 : 0.95] 的 IOU 阈值上的平均值，以及其他指标。[参考]
顺便说一句，可可的源代码确切地显示了正在做什么：mAP@[.5:.95]
self.iouThrs = np.linspace(.5, 0.95, np.round((0.95 - .5) / .05) + 1, endpoint=True)
你已经从 Icyblade 那里得到了答案。但是，我想指出您的平均精度公式是错误的。公式是精度的定义，而不是平均精度。对于目标检测，AP 在此处定义。简而言之，它总结了准确率/召回率曲线，因此不仅考虑了准确率，还考虑了召回率（因此假阴性也将受到惩罚）。
AP是所有类别的平均值。传统上，这被称为“平均精度”（mAP）。我们不区分 AP 和 mAP（以及 AR 和 mAR），并假设从上下文中可以清楚地看出区别。