【基础】什么是mAP均值平均精度？

mAP（Mean Average Precision）均值平均精度

正例与负例

现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive），然后我们就能得到如下的四种情况：

（+ +）即实际正例，预测正例

（1）True positives(TP)（+ +）: 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；

（2）False positives(FP)（- +）: 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；

（3）False negatives(FN)（+ -）：被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；

（4）True negatives(TN)（- -）: 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。

Precision（精确率）

精确率 = 实际正确且判定为正确的总数 / 所有判断为正确的数目（无论该样本原来真假）

即 precision = TP/（TP+FP）

个人理解：机器在所有判定为正确的样本数目中，真正正确的样本数目（模型预测的所有目标中，预测正确的比例）

Recall（召回率）

召回率 = 正确预测样本中实际正样本数 /实际的正样本数

即 Recall = TP/(TP+FN)

个人理解：总共有那么多正样本，模型把这些正样本找出来的比例占多少（所有真实目标中，模型预测正确的目标比例）

ACC（准确率）

ACC 代表 Accuracy，即准确率，准确率表示预测样本中预测正确数占所有样本数的比例，计算公式为：

准确率 = 预测样本中所有被正确分类的样本数 / 所有的样本数

即 ACC = （TP+TN）/（TP+FP+TN+FN）

mAP简介（可以直接看这个，上面的很繁琐）

取不同的阈值（卡Confidence），计算在该阈值下的Precision和Recall

然后画出P-R图，计算出图中蓝色区域面积即是该类别AP值

如果需要计算mAP值，计算每个类别的AP，除以类别总数即可。

参考内容

https://blog.csdn.net/qq_37541097?type=blog
https://blog.csdn.net/Bejpse/article/details/124153040