目标检测：mAP (Mean Average Precision)

什么是mAP呢？这里的m是mean，平均值，所以搞懂AP是什么就行了。

AP即平均精确度。那么目标检测任务中，如何衡量一个模型的平均精确度？

通常来讲有两个指标。

P，精确率，precision。R，召回率，recall。这两个概念最开始运用在信息检索领域。例如总共需要100条信息，检索出来80条，其中60条需要，20条不需要。那么精确率即20/80=75，召回率60/100=60%。

运用到目标领域问题里，由人为判断哪些是需要的，哪些是不需要的显然不可行，于是有了重新的定义。

首先介绍IOU，即交并比。例如下图中，蓝框是真值，橙框是预测框。IOU即两个框相交的面积比上两框总面积。

True、False的分类标准是IOU。

Positive、Negative的分类标准是置信度。

进而

我们当然希望P值与R值都越高越好，然是实际上这通常很难发生。我们将P-R值绘成曲线，得到PR曲线。

为了同时考虑P-R的影响，于是我们将PR曲线围成的面积记作PR当作平均精确度，即AP值。

所谓m取平均呢，是指的在多个验证集上求AP的平均值。

至此，mAP的含义便清晰了，反应的是模型的准确度。

版权声明：本文为CSDN博主「清华江同学」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/thujiang000/article/details/122761937