如何量化手部定位方法的性能？

我正在处理RGB图像中的手部定位。我有两种类型的数据集。第一个有1700张图像。每个图像都有单手操作。第二个数据集约有2800张图像，每个图像可以有单手或双手。

我正在检测图像中手的边界框。我知道图像中至少有一只手。我使用的模型仅向我提供了手的边界框坐标。没有用于手部检测的置信度得分。

量化模型性能的最佳方法是什么？在这种情况下可以使用平均精度（AP）吗？

当前，我仅使用联合交叉点（IoU）来衡量预测边界框与地面真相边界框的接近程度。