目标检测的mAP、PR指标含义

基本概念
什么是一个任务的度量标准。对于目标检测任务来说，它的首要目标是确定目标的位置并判别出目标类别。这里已医学图像为例，我们需要计算出血液红细胞（RBC）、白细胞（WBC）和血小板的数量。为了实现这一功能，我们选择EfficientDet和yolov4这两个检测模型进行实验对比。

两个算法模型都能成功预测图片中出现的细胞，并且每个bbox都标注一个类别，每个类别还有相应的置信度。

如何评价哪个模型更好？

直观感觉，如果有一些具体度量指标来评价模型的好坏就很好。在介绍mAP之前，首先介绍PR曲线的相关概念

PR曲线（Precision-Recall Curve）
精确率（Precision）表示预测为正样本中真正是正样本的比率，召回率（Recall）表示实际正样本中真正是正样本的比率。通常这两个指标会有些矛盾之处，如果想要精确率高，召回率就低。反之亦然。

通常研究人员采用F1指标，结合精确度和召回率选择最优的F1值。另外，还包括AUC（Area Under the Curve）曲线下的面积。还有一个PR曲线度量标准是平均精度AP（Average Precision），而这个AP值和今天的主题最为密切。它的计算方式是在每个阈值下求精度的平均值。
mAP@0.5：mean Average PrecisionIoU=0.5)
将IoU设为0.5时（大于设定阈值才认为预测正确），计算每一类所有图片的AP，然后所有类别求平均，即mAP
mAP@.5:.95 (mAP@[.5:.95])
表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。