mAP详解

1、理解各类名词

在了解mAP时，需要先了解一些名词：

IOU
$$IOU=\frac{pre\bigcap tar}{pre\bigcup tar}$$ pre表示预测出来的框，tar表示目标框（准确的框）

True Positive： $IOU>0.5$ 0.5为阈值（可自行调整），在IOU的值大于一定阈值时，就设为定位准确，表示定位成功
False Positive： $0<IOU<0.5$ 0.5为阈值（可自行调整），在IOU的值小于一定阈值时，就设为定位不准确，表示定位失败
True Negative： 没有目标却检测出了目标
False Negative： 有目标却没有检测出目标

Precision： 表示框出目标的准确率
$$\frac{TP}{TP+FP}$$
Recall： 表示找到目标的概率
$$\frac{TP}{TP+FN}=\frac{TP}{实际目标个数}$$

注意：
precision和recall都是一个长度为N的序列，N表示N个检测到的目标。之所以为N是因为每判断一个检测框是TP/FP/TN/FN，都会计算一下precision和recall，所以检测到N个框就对应N个precision和recall。

举例说明：
(来源：https://github.com/rafaelpadilla/Object-Detection-Metrics)

实际有15个目标，检测出来个24目标（下图detections的个数），正确的有7个（下图TP的个数）：

按照confidence排序，并且计算precision和recall
按照下图的列表名：
$precision=\frac{AccTP}{AccTP+AccFP}$ $recall=\frac{AccTP}{15}$
Acc TP 和Acc FP是TP和FP的累计值

最终得到的precision和recall都是N=24的列表

2、IOU的计算

可以使用max和min来求，可以根据下面的方式自己画图，能够包含所有情况

#pre框[xmin_1,ymin_1,xmax_1,ymax_1] , target框 [xmin_2,ymin_2,xmax_2,ymax_2] 
 if(xmin_2 > xmax_1 or xmax_2 < xmin_1 or ymin_2 > ymax_1 or ymax_2 < ymin_1):
      b_xmin, b_ymin, b_xmax, b_ymax = 0，0，0，0
 else:
      b_xmin, b_ymin, b_xmax, b_ymax = max(xmin_1,xmin_2), max(ymin_1,ymin_2), min(xmax_1,xmax_2), min(ymax_1,ymax_2)
      I = (b_xmax-b_xmin)*(b_ymax-b_ymin)
      U = (xmax_1-xmin_1)*(ymax_1-ymin_1)+(xmax_2-xmin_2)*(ymax_2-ymin_2)
      IOU = I/(U-I)

3、AP的计算

首先要注意的是AP是对一个类别进行计算。所以如果是对多张图片做检测要算mAP的话，在计算AP时，要将所有test图片中的检测结果都拿出来，按照类划分，按类计算AP值。

计算方法有两个：11点采样法和P-R曲线法

3.1 11点采样法

将Recall分为{0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1}这11个点。取recall在这些点到1区间内最大的precision，相加。除了1，是recall=1对应的precision
这样的原因是因为计算AP要满足precision不下降的原则。
举例说明
上述的例子
1、recall取[0,1]区间内最大的precision precision=1
2、recall 取[0.1,1]区间内最大的precision precision=0.6666
3、recall 取[0.2,1]区间内最大的precision precision=0.4285
4、recall 取[0.3,1]区域内最大的precision precision=0.4285
5、recall 取[0.4,1]区域内最大的precision precision=0.4285
6、recall 取[0.5,1]。
按照上述的例子，最大的recall值是0.4666 也就是 7/15 所以这之后的区间precision=0
7、最后recall=1时 precision也为0

所以 $AP=(1+0.666+0.4285+0.4285+0.4285+0+0+0+0+0+0)/11$

3.2 P-R曲线法

根据得到的precision和recall得到每个类别的P-R曲线图，如下图所示：

（图片来自：https://blog.csdn.net/weixin_41006390/article/details/106086210）

每条P-R曲线所围的面积就是AP值。

3.3 mAP的计算

mAP是对各类AP求均值：$mAP=\frac{1}{m}{\sum }_{i=1}^{m}AP$，m为类别数。

参考链接：
https://blog.csdn.net/weixin_41006390/article/details/106086210
https://github.com/rafaelpadilla/Object-Detection-Metrics