mAP@0.5: mean Average Precision（IoU=0.5）

即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP。

mAP@.5:.95（mAP@[.5:.95]）

表示在不同IoU阈值（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）上的平均mAP。

那AP是什么呢，Average Precision，是单个类别平均精确度，而mAP是所有类别的平均精确度

AP是Precision-Recall Curve曲线下面的面积

曲线面积越大说明AP的值越大，类别的检测精度就越高。Recall可以考虑叫做查全率，Precision叫做查准率，两者是相互矛盾的指标，如果能够较好的平衡两者，将在不同的条件下得到较好的检测效果，也就是图中的曲线面积。

P

r

e

c

i

s

i

o

n

=

T

P

T

P

+

F

P

Precision= {TP \over TP+FP}

Precision=TP+FPTP​

R

e

c

a

l

l

=

T

P

T

P

+

F

N

Recall = {TP \over TP + FN}

Recall=TP+FNTP​

​其中：
True Positive区域：正样本预测为正样本
False Positive区域：正样本预测为负样本
False Negative区域：负样本预测为正样本
True Negative区域：负样本预测为负样本

预测样本在检测中就是预测框的大小，我们设置的IoU就是指的真实框与预测框的交并比，如果大于阈值就是正确，小于就是错误。

在Yolo系列中，mAP@.5效果还是不错的，但mAP@.5:0.95的效果较差，可能是IoU的值设定过高对于检测框的位置要求也过高，同时，ground truth也是认为标定的，也没法说明高精度性。（有点偏袒yolo系列=_=）!!

版权声明：本文为CSDN博主「Fighting_1997」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/frighting_ing/article/details/121197733