mAP与IOU的简单介绍

mAP

        在评价一个检测算法的时候，主要看两个标准，即是否正确预测了框内的物体类别；预测的框和人工标注框的重合程度。这两个的量化指标分别是mAP（mean Average Precision）和IOU（Intersection Over Union）。

        mAP中文翻译过来叫做平均精度均值，其中AP为平均精度（Average Precision），mAP是把每个类别的AP都单独拿出来，然后计算所有类别AP的平均值，代表着对检测到的目标平均精度的一个综合评价。

                                平均精度均值=所有类别的平均精度值之和/所有类别的数目

当我们比较 mAP 值的时候要记得几个重要的点：

1. mAP 总是在固定的数据集上进行计算。
2. mAP 并不是量化模型输出的绝对度量，但它是一个不错的相对度量。当我们在流行的公开数据集上计算这个度量时，它可以很容易地被用来比较目标检测的新老方法的性能好坏，因此我们并不需要一个绝对度量。
3. 根据不同的类别在训练数据中的分布情况不同，平均精度值可能对于某些类别（这些类别有很好的训练数据）非常高，然后对于某些类别（这些类别有更少的数据或者坏数据）可能非常低。所以，你的 mAP 值可能看上去还不错，但是你的模型可能只对某些类别较好，而对某些类别的效果非常差。因此，当分析你的模型结果时，最好单独类别的平均精度值。这些值过低的话可能意味着需要添加更多的训练样本了。

IoU

        交并比是预测边界框和参考边界框的交集和并集之间的比率。这个统计量也叫做 Jaccard 指数（Jaccard Index），是由 Paul Jaccard 在 20 世纪初首次提出的，IOU用来衡量预测的物体框和真实框的重合程度，计算方法如下：

        重合度的计算方法， 用两个框的重合面积除以两个框并集所占面积，所以叫做交并比，评价一个算法的时候，一种常见的方法是先设定一个IOU阈值，最常用的阈值是0.5：如果 IoU > 0.5，那么认为这是一个正确检测，否则认为这是一个错误检测。只要算法找到的框的IOU大于这个阈值，就是一个有效的检测，把结果拿来计算mAP作为最终的评价指标。

 

 

 

 

 

参考：

https://www.sohu.com/a/232474201_633698