mAP指标

        mAP是mean of Average Precision的缩写，意思是平均精确度（average precision）的平均（mean），是目标检测中模型性能的衡量标准。

一、正确率和召回率

TP（True Positive）：正确预测为正样本（真正例）

FP（False Positive）：错误预测为正样本（假正例）

FN（False Negative）：错误预测为负样本（假负例）

TN（True Negative）：正确预测为负样本（真负例）

准确率：正确预测为正样本数量/预测为正样本数量

召回率：正确预测为正样本数量/实际正样本数量

二、AP指标（Average Precision）和mAP指标（mean Average Precision）

        AP衡量的是学出来的模型在每个类别上的好坏，mAP衡量的是学出的模型在所有类别上的好坏，得到AP后mAP的计算就变得很简单了，就是取所有AP的平均值。

TP：如果一个预测框与某一个GT（Grounding Truth）的IoU大于阈值，即认为这个预测框正确（真正例），标记为TP。在实际预测中，经常会出现多个预测框与同一个GT的IoU都大于阈值，这时通常只将这些预测框中置信度最大的算作TP，其它算作FP。

FP：除TP之外的标记为FP (假正例，一般都只设置一个TP标志位，如果当前预测框正确，那么这个标志位设置为1代表TP，否则设置为0代表FP)。

计算某一类别（A类别）的AP：

        以数据集（所有图片）为单位计算PR曲线，以图片为单位计算TP、FP，所以我们需要建立一个数组记录每个图片中所有预测框的TP和置信度。

①标记所有图片中的预测框（标记为TP或FP，即1或0）

        所有预测框都是Positive（正例），要区分TP和FP（真正例和假正例）。将一个预测框分别与同一张图片、同一类别的所有GT计算IoU，取最大IoU所对应的GT。若IoU大于阈值，则标记为TP，否则标记为FP。同时还需要判断GT是否被访问过，若未被访问过，则标记为TP，否则标记为FP。

        假设现在数据集中一共有3张图片，第1张图片中有2个A类别的GT，有3个A类别的预测框，置信度分别为(0.3, 0.5, 0.9)，发现置信度为0.3和0.9的与GT相匹配，则将这两个记为TP。建立用于计算PR曲线的数组metric和记录A类别gt总数的变量n_GT，向数组中加入(0.3, 1), (0.5, 0), (0.9, 1)三组数据（置信度，是否为TP），并将n_GT累加2；第2张图片中没有A类别的物体(GT数量为0)，则n_GT+=0，但有一个关于A类别的预测框，置信度为0.45，则向metric中加入(0.45, 0)；第3张图片中有1个A类别的物体，但没有预测框，则n_gt+=1。

②按置信度排序所有预测框

        最终将得到的A类别的n_GT=6，metric按置信度从大到小进行排序为(0.9, 1), (0.85, 1), (0.8, 1), (0.7, 1), (0.5, 0), (0.45, 0), (0.35, 0), (0.3, 1), (0.1, 0) 共9个预测框，依次去掉metric中最后一组数据，可以得到(5/8, 5/6), (4/7, 4/6), (4/6, 4/6), (4/5, 4/6), (4/4, 4/6), (3/3, 3/6), (2/2, 2/6), (1/1, 1/6) 共9组PR值。

③计算AP值        

        因为A类别一共有6个GT，所以Recall的值应该是从1/6~6/6共6个，也就是要取6组PR值计算平均Precision，因为这个例子中没有出现Recall=6/6的情况，所以R=6/6时的Precision算作0，即类别A的AP=(1/1 + 2/2 + 3/3 + 4/4+ 5/8 + 0) / 6 = 0.7708。按照同样的方式计算其他类别的AP，最后求所有AP的均值，即可得到mAP。

PR曲线：

        设总数为N的样本，分别将Top-1，TOP2,…Top-N预测为正样本，则可以获得N组PR值。以Precision值为纵坐标，以对应的Recall值为横坐标，将这N组PR值在图上画出来，就是P-R曲线，如下图。