人工智能学习（四）评估标准——mAP

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

本文主要介绍了CV领域中非常重要的评估标准mAP。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、FN，TN，FP，TP

FN：False Negative 假阴性
TN: True Negative 真阴性
FP: False Positive 假阳性
TP: True Positive 真阳性

二、精确率（Precision）和召回率（Recall）

在介绍mAP之前，我们需要简单介绍一下精确率（Precision）以及召回率（Recall）
精确率 Precision，即预测的真实的正样本占预测正样本的比例。
公式如下：

$Precision=\frac{TP}{TP+FP}$

而召回率又称“查全率“，即预测得到的正样本占总体正样本的比例。
公式即如下：

$Recall=\frac{TP}{TP+FN}$

三、在目标检测中的含义

TP（True Positive）:IoU>0.5 的检测框数量（同一Ground Truth只计算一次）
FP（False Positive）： IoU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量）
FN（False Negative）: 没有检测到的GT的数量

Precision= TP/ (TP+FP) 模型预测的所有目标中，预测正确的比例。 查准率
Recall：TP/(TP+FN) 所有真实目标中，模型预测正确的目标比例。查全率

三、AP

AP：P-R曲线下的面积
P-R曲线：Precision-Recall曲线
通过不同等级的置信度来计算相应的Precision和Recall，然后绘制对应的图形（P-R曲线）：

计算式子如下：

此时的目标边界框都是经过NMS之后的结果。

四、mAP（mean Average Precision）

mAP：即各类别AP的平均值

五、COCO Evaluation Result