ap 目标检测算法map_目标检测中的mAP

如何衡量目标检测算法的优劣

目标检测(object detection)问题相对于一般AI分类问题更加复杂，不仅检测出目标，输出目标的类别，还要定位出目标的位置。分类问题中的简单accuray指标已经不能反映出目标检测问题结果的准确度，而mAP (Mean Average Precision)就是被用来衡量目标检测算法优劣的常用指标。

要理解什么是mAP，需要先澄清什么是Precision(查准率)和Recall(查全率)。

Precision和Recall

定义

查准率和查全率是在信息检索、Web搜索等应用中经常出现的性能度量指标，在机器学习中，也可以用来度量“预测结果中有多少比例是用户感兴趣的”。对于二分类问题，可将样例根据其真实类别与预测类别的组合划分为：

TP、TN、FP、FN

TP (True Positive): 真正例。Positive指预测输出为正，True代表预测正确。

TN (True Negative): 真反例。预测输出为负，而且预测正确。

FP (False Positive): 假正例。预测输出为正，但是预测错误。

FN (False Negative): 假反例。预测输出为负，但是预测错误。

Precision

Precision(查准率): 所有预测为正例的结果中，预测正确的比率。

Recall

Recall (查全率)：所有正例中被正确预测的比率。