[tensorflow应用之路]目标检测中mAP的概念及使用

mAP全称为mean average precision，多类别目标平均精度。与其对应的，还有average precision（AP），即单个分类的平均精度。在目标检测任务中，我们常常会见到各类论文中会使用mAP的概念进行精度的总结，这归功于它良好的表达能力。mAP计算方式看起来简单，但很多人却搞不懂这是怎么计算的，网上相关的资料许多也语焉不详，只是粗粗介绍了概念。这篇文章中，我们会详细的讲它的概念、计算公式以及tensorflow的实现。

---

Precision、Recall、AP的概念

要了解mAP，一般从AP开始，mAP只是其多类的扩展。AP又由两个概念衍生而来：Precision和Recall。

Precision和Recall的公式如下：
$$\begin{gathered} Precision=\frac{tp}{tp+fp} \\ Recall=\frac{tp}{tp+fn} \end{gathered}$$

其中，p表示positive，即检出目标；n表示negative，即未检出目标；t表示true，即正确；f表示false，即错误。上式中，tp表示检出的正确目标数量，fp表示误检的目标数量，fn表示漏检的目标数量。所以，tp+fp为算法检出目标数，tp+fn为真实目标数量。

一般来说，Precision和Recall无法单独使用。因为在极端条件下，只要认为所有物体都是检出目标，那么我们就能得到Recall为100%，但是precision为0%。反之亦然。所以，这两种变量会配合使用，这就造成统计和比较上的困难。比如A算法达到precision=80%,Recall=50%；B算法达到precision=85%,Recall=45%，此时很难通过这两个指标来比较2种算法的优劣。

由于上述的困难，我们引进了AP的概念。它即Recall和Precision组成曲线下的面积（Area Under Curve，AUC）。

由AP的定义可知，在多分类时，我们可以在每一种类别都得到一个AP。此时，我们可以通过mAP来得到算法精度：
$$mAP=\frac{1}{n}\sum _n^{i}A{P}_i$$

---

目标检测中的AP计算及代码实现

下面就讲讲目标检测中是如何计算AP的。

上图中，红框表示真实的目标物体，蓝框表示算法检出的目标物体，左上角的数字代表检出分数。此时，我们需要设置一个IOU阈值（定义见下文），高于该阈值才被认为是检出物体，那么显然，3个蓝框中只有2个算正确检出。假设我们设置了0.5的iou阈值，此时，我们可以画一个precision和recall的对应表格

precision	recall
0.66	1
0.5	0.5
1	0.5
1	0

一般来说，我们假定precision从小到大（第一个值改为0.5）。将四个点依次绘出，P-R曲线如下：

我们可以很容易得到此时AP=0.5。

上面就是tensorflow/models中，mAP的实现过程。关键点有二，一个是tp_fp_labels的计算方法，戳我看代码；另一个是precision和recall的计算，戳我看代码。

IOU的计算方式

iou的计算很简单，即目标的最小重叠面积与最大轮廓矩形面积的比值

图片来源：https://medium.com/@jonathan_hui/map-mean-average-precision-for-object-detection-45c121a31173

Recall超过1怎么办？

recall有可能超过1吗?在目标检出任务中，这是有可能发生的。假设图像仅有一个目标，但这个物体检出了2个预测框，此时根据定义，recall可以达到2/1=200%。tensorflow/models中使用单个真实物体检出标量（代码在此）is_gt_box_detected来控制重复的检出动作，使recall在1以内。

---

总结

本文详细讲述了何为mAP，为何用它来定义目标检测算法的精度，以及mAP的计算方法。希望能给研究目标检测的读者带来一点帮助。

最后，祝您身体健康，再见！