MAP在目标检测和图像检索中的计算（详细）

前言：该博客没有进行IOU Precision Recall等指标的计算讲解，默认这些基本知识已经掌握，这里只对 map 中比较难懂且和其他博客中存在歧义的部分进行讲解。

目标检测中的 map 计算：

举个栗子：

Image 1：预测出了5个框（在一定的阈值下，且经过了NMS等处理），真实的标注信息只有三个框（也就是只能有3个correct 框），将5个预测框通过置信度进行排序，然后分别从上至下计算 precision 和 recall ，得到这些值就可以绘制 P-R 曲线了，计算面积就是最终的AP值（这里计算的就是该张图像的AP值，一般以batch为单位计算）。

上面提到的说计算P-R曲线围成的面积，这里有一点需要注意，直接计算面积比较麻烦，常见的作法是进行平滑，recall的值不动(x 轴)，将precision 的值用其之后的最大值进行替换，类似下面这样：

原始 P-R 曲线：

平滑后 P-R 曲线：

使用 11 点法进行 AP 的计算（或者直接计算也可以）：
11点法的计算： (41+60.75+0.6*1)/11 = 0.827

note: 一个 batch 内的怎么计算，将所有图像的 预测框输出按照 置信度 进行排序，然后进行同样的计算。

二、图像检索中的 map 计算：

map@5：其表达的意思和 top-5 相同，前五个预测概率输出的 map

计算方式和上述一样，但是有一点不一样的是：预测输出和真实的label都是固定的大小，比如在目标检测（OB）中，真实框的个数和预测框的个数往往是不相同的，但是这里一般是相同的，即人工取前五个。
这里说一个特殊的例子：（非特殊的和上述计算方式相同）
特殊且常见场景：在五个预测输出中只有一个正确（比如输出为：五个人的名字ID，其中只有一个是正确的，或者输出为五个类别：狗猫飞机等，但真实的只属于其中的一个）

计算方式直接计算 precision 即可，如下图：

参考资料：kaggle中一个 whale 计算方式notebook资料链接

你可以尝试用上述目标检测中提到的方式进行计算，结果是一样的，其中的道理也是一样的，只不过简化了计算流程（在很多的博客中介绍的AP就是这样的计算方式-因为这种场景很常见）