目标检测里的mAP计算过程和原理

经过检测模型以后，得到了所有图片的预测框，对于某一个图片，某个类，计算预测框和真实框之间的IOU值，并得到每一个预测框最大的IOU值和对应的真实框

这个要遍历每个图片每个类，共存在两个循环

然后对于最大的IOU值大于0.5的所有预测框，第一个预测类是TP，其余相同类的框都算FP，计算>0.5:0.95的bool值，并保存到变量M，这里一个循环，共三层循环

遍历完所有图片以后，就得到了变量M，包含 [bool值，预测框置信度，预测框的类，真实框的类]

然后根据预测框置信度进行降序排列，得到预测框的个数，真实框的个数

使用bool值计算累加值，True为TP、False为FP，1-bool则相反，可以得到相应的fp的累加值，tp的累加值，tp的累加值除以真实框的个数，就是召回率recall的分布情况，同样precision也可以计算得到，通过tp/(tp+fp)

由于bool值是10列，从0.5到0.95，对于每个阈值，像是0.6，分别计算每个类的AP值，对于recall、precision曲线，可以通过曲线拟合，然后计算[0, 1]之间分布的值，然后计算每个梯形的面积，并进行累加求和,就是AP值 np.trapz: 计算梯形的面积

计算mAP的代码实现可以看这个：

https://github.com/ZouJiu1/mAP

代码的详细流程

计算mAP的例子

 真实的标签内容

预测的相应内容

计算的详细过程

 最后的计算内容

https://github.com/ZouJiu1/mAPhttps://github.com/ZouJiu1/mAPhttps://github.com/ZouJiu1/mAP

https://zhuanlan.zhihu.com/p/449822471https://zhuanlan.zhihu.com/p/449822471https://zhuanlan.zhihu.com/p/449822471

版权声明：本文为CSDN博主「九是否非随机的称呼」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/m0_50617544/article/details/121893818