AP R P mean average precision（MAP）在计算机视觉中的计算和应用

更好
https://blog.csdn.net/qq_16540387/article/details/81912289

MAP的计算步骤（eg.10类）
检测为例：
1.先把所有bounding box找出来 并加上confidence
2.然后每一类根据confidence从大到小排列
3.每个confidence算出其recall和precision得到每一类的ap曲线
4.取mean

---

具体来看

1. precision 和 recall 的计算：

---

图中上部分，左边一整个矩形中（false negative和true positive）的数表示ground truth之中为1的数据（即标签为正确的，有正确标签和错误），右边一整个矩形中的数表示ground truth之中为0的数据。
精度precision的计算:是用 检测正确的数据个数/总的检测个数。

召回率recall的计算:是用 检测正确的数据个数/ground truth之中所有正数据个数。
**ground true:**参考标准\标准答案\真实值，设定的一个正确的基准(标签)

2. AP：average precision

---

一共20个图像，20行，第一列是图像index（索引）， 第二列是检测confidence（置信）， 第三列是ground truth（标签）。根据confidence从大到小排列。

圆圈内（true positives + false positives）是我们选出的元素,它对应于分类任务中我们取出的结果，比如对测试样本在训练好的car模型上分类，我们想得到top-5的结果。
在这个例子中，true positives就是指第4和第2张图片，false positives就是指第13，19，6张图片。方框内圆圈外的元素（false negatives和true negatives）是相对于方框内的元素而言，在这个例子中，是指confidence score排在top-5之外的元素，其中，false negatives是指第9，16，7，20张图片，true negatives是指第1,18,5,15,10,17,12,14,8,11,3张图片。

那么，这个例子中Precision=2/5=40%，意思是对于car这一类别，我们选定了5个样本，其中正确的有2个，即准确率为40%；Recall=2/6=30%，意思是在所有测试样本中，共有6个car，但是因为我们只召回了2个，所以召回率为30%。

实际多类别分类任务中，我们通常不满足只通过top-5来衡量一个模型的好坏，而是需要知道从top-1到top-N（N是所有测试样本个数，本文中为20）对应的precision和recall。显然随着我们选定的样本越来也多，recall一定会越来越高，而precision整体上会呈下降趋势。把recall当成横坐标，precision当成纵坐标，即可得到常用的precision-recall曲线。

3.AP的计算

假设这N个样本中有M个正例，那么我们会得到M个recall值（1/M, 2/M, …, M/M）,对于每个recall值r，我们可以计算出对应（r’ > r）的最大precision，然后对这M个precision值取平均即得到最后的AP值。计算方法如下：

相应的Precision-Recall曲线（这条曲线是单调递减的）
AP衡量的是学出来的模型在每个类别上的好坏，
mAP的计算

mAP衡量的是学出的模型在所有类别上的好坏，得到AP后
就是取所有AP的平均值。
ref
https://en.wikipedia.org/w/index.php?title=Information_retrieval&oldid=793358396#Average_precision