ap 目标检测算法map_目标检测算法的评估指标：mAP定义及计算方式

前面依次介绍了：

本节介绍目标检测算法的评估指标：mAP定义及计算方式

mAP：mean Average Precision，平均精度均值，即AP(Average Precision)的平均值，它是目标检测算法的主要评估指标。目标检测模型通常会用速度和精度(mAP)指标描述优劣，mAP值越高，表明该目标检测模型在给定的数据集上的检测效果越好。在Tensorflow detection model zoo中，各目检检测模型的对比表如下图所示

目检检测模型表

既然mAP是AP(Average Precision)的平均值，那么首先要了解AP的定义和计算方法。要了解AP的定义，首先需要区别什么是精(Precision)，什么是准(Accuracy)?

精(Precision) 与 准(accuracy)

Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。

Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias) 小，描述了的实际值与真实结果的偏离程度

准确度高，意味着误差(Error)小，Error = Bias + Variance

在机器学习中，可以将预测分为四种情况

True Positive(TP)：正实际为正实际为正，预测对了

False Negative(FN): 预测为负实际为正，预测错了

False Positive(FP): 预测为负实际为正，预测错了

True Negative(TN): 预测为负实际为负，预测对了

confusion matrix

例如，有60个正样本，40个负样本，系统预测了50个正样本，其中40个是预测正确的正样本；预测了50个负样本，其中30个是预测正确的负样本。TP=40，FP=10；FN=20，TN=30。

定义：

可得上例中：

Precisi