mAP的计算方法

1、mAP介绍

mAP是mean Average
Precision的缩写，用于评价目标检测与分类的效果。AP是指一个类别的平均精度，它表示模型在某一个类别上的效果。mAP是所有类别AP的平均值，表示模型在所有类别上的整体效果。

2、精度和召回率

3、实例绘制PR图

假设我们的任务是“猫狗二分类”，下面来计算“猫”这一类别的AP。假设测试集共有8个样本（8张图片img1-img8），共预测出15只猫（15个预测框bbox1-bbox15）。

下表为按照置信度（预测分数）排序后的结果：

上表对应的PR图如下所示：

4、AP的计算方法

此处参考PASCAL VOC挑战赛的计算方法。有两种方法，分别是2010年之前的方法和2010年之后的方法。

2010年之前的方法：

第一步，事先设定一组阈值[0, 0.1, 0.2, … , 0.9, 1]。

第二步，recall值大于每一个阈值（如0.2）都可以得到一个最大precision，这样我们就得到了11个最大precision，AP就是这11个最大precision的平均值。

2010年之后的方法：

第一步，不事先设定阈值了，而是所有recall值都作为阈值，比如有M个正例就会有M个recall值即M个阈值（1/M, 2/M, …, M/M），本文中的例子将会有6个阈值[1/6, 2/6, 3/6, 4/6, 5/6, 6/6]。

第二步，recall值大于每一个阈值（如3/M）都可以得到一个最大precision，这样我们就得到了M个最大precision，AP就是这M个最大precision的平均值。

本文实例对应的计算参考下图：

相应的PR图，如下所示：

5、附matplotlib画图代码