平均精度均值(mAP)——目标检测模型性能统计量

　　在机器学习领域，对于大多数常见问题，通常会有多个模型可供选择。当然，每个模型会有自己的特性，并会受到不同因素的影响而表现不同。

　　每个模型的好坏是通过评价它在某个数据集上的性能来判断的，这个数据集通常被叫做“验证/测试”数据集。这个性能由不同的统计量来度量，包括准确率（ accuracy ）、精确率（ precision ）、召回率（ recall ）等等。选择我们会根据某个特定的应用场景来选择相应的统计量。而对每个应用来说，找到一个可以客观地比较模型好坏的度量标准至关重要。

在本文，我们将会讨论目标检测问题中最常用的度量标准 --- 平均精度均值（Mean Average Precision, mAP）。

　　大多数情况下，这些度量标准都很容易理解和计算。例如，在二类分类问题中，精确率和召回率都是简单和直观的统计量。　　

　　而另一方面，目标检测则是一个相对不同且很有意思的问题。

　　即使你的目标检测器检测到一张图片中有猫，但是如果你找不到这只猫在图片中的具体位置，那么这个检测器也是没有任何用处的。

　　由于你现在需要预测一张图片中目标是否出现及其具体位置，那么我们如何计算这个度量就变得相当有意思了。

　　首先，让我们定义目标检测问题，这样我们可以对问题有一个统一的认识。

▌目标检测问题

　　对于“目标检测问题”，我的意思是，给定一张图片，找到图中的所有目标，确定他们的位置并对他们进行分类。

　　目标检测模型通常是在给定的固定类别上进行训练的，因此模型在图中只能定位和分类这些已有的类别。

　　此外，目标的位置通常是用边界矩形/边界框的形式来确定的。

　　因此，目标检测包含了两个任务，确定图片中目标的位置，以及对目标进行分类。

图1- 几个比较有名的图像处理问题，图片来自斯坦福大学 CS231n 课程幻灯片（第8讲）

　　如下文所说，平均精度均