目标检测问题中的-MAP

目标检测的问题的任务是：给定一个图像，（1）找到他们的位置，（2）并且对目标进行分类。所以，目标检测需要涉及图像中目标的位置信息和对目标进行分类。

几个基本概念

MAP（mean Average Precision）均值平均精度。目标检测模型的性能评估

Ground Truth：对于任何算法，度量总是与数据的真实值（Ground Truth）进行比较，Ground Truth就是数据的真实值。Ground Truth包括图像中的目标的类别以及图像中每个目标的边界框。

Iou：交并比。交并比是模型所预测的检测框和真实（Ground Truth）的检测框的交集和并集之间的比例。

如何计算mAP

如何才算正确识别？

我们使用IoU判断检测是否正确需要设定一个阈值，最常用的阈值是0.5，即：如果IoU＞0.5，则认为是真实的检测（True Detection），否则认为是错误的检测（False Detection）。

正确检测的次数（A）

用计算出的IoU值与设定的IoU阈值（例如0.5）比较，计算出每个图像中每个类的正确检测次数A。

实际目标的次数B

对于每个图像，我们已经做了标记，知道的Ground Truth，因此可以得到给定类别的实际目标的数量B。

某类模型的精度

某类模型的精度   =      =  = （这里统计的对象时每一张图片）

某类的平均精度

假定有一个类，验证集中有100张图片，并且所有的GroundTruth都已知，那么我们可以得到100个‘某类模型的精度’，那么除以图片的数量100就可以得到‘某类的平均精度’

（这里统计的对象测试集）

mAP计算

假定有20个类，通过上面的‘某类的平均精度’我们可以得到20个 某类的平均精度。那么mAP(均值平均精度)就可以通过求所有类的平均精度的平均值得到，即

即，mAP=所有类别的平均精度求和 除 总的类别数