目标检测指标--mAP

我们都知道在目标检测任务中，常用的指标有mAP，那么我们在进行目标检测时为什么要使用mAP这个指标？什么是mAP呢？

必备小知识

1. IoU
   IoU(Intersection-over-Union)表示目标真实框与预测框的交并比，如下图所示：PB表示预测框，GT表示真实框
   $$IoU=\frac{PB\cap GT}{PB\cup GT}$$

2. TP FP FN
   以上三个词大家初看可能容易混淆，但是解释各个字母的意义后就会很容易的分清楚：

   • T和F分别表示True和False代表正确识别还是错误识别
   • P和N分别表示Positive和Negative代表正样本和负样本

   TP：IOU大于一定阈值的检测框，被认为是正确识别为正样本
   FP：IOU小于一定阈值的检测框，被认为是错误的识别为正样本
   FN：被错误的识别为负样本，也就是被漏检的数量，这里需要注意漏检指的是没有被识别为正样本的目标个数，如果一张图像上有3个目标，仅有一个目标被正确识别为正样本，那么FN=2
   以下图为例：
   假设阈值为0.5，图中蓝色框表示真实标签，绿色框和红色框为被 识别为猫的预测框，其中绿色框与蓝色框的IOU>0.5，则绿色框表 示被正确识别的正样本，红色框与蓝色框的IOU<0.5，则红色框表 示被错位识别的正样本，因此TP = 1，FP = 1, FN = 1。
   

3. Precision(准确率)和Recall(召回率)

   Precision指模型所有的预测结果中，预测正确的比例是多少，公式如下，其中TP表示识别对的样本数，TP+FP表示所有的预测框
   $$Precision=TP+$$