mAP

注意：看完此篇文章，再看另一篇文章：

https://blog.csdn.net/ytusdc/article/details/88095160

 

mAP：即mean Averge Precision，作为object detection中衡量检测精度的指标。

在目标检测中，每一类都可以根据recall和precision绘制P-R曲线（以 precision 和 recall 作为纵、横轴坐标的二维曲线），如下图所示。

Caption

 

AP值就是该曲线下的面积。这里的 average，等于是对 precision 进行取平均 。

mAP值Mean Average Precision，是对多个验证集个体求平均AP值,如下图

Caption

 

Recall：召回率，又叫查全率
召回率也叫查全率，是你预测的样本中实际的正样本数 / 所有的正样本数，所以为了提高召回率，可以多预测。

eg：总共有128个样本，其中32个正，96个负。

我可以说，我预测有128个正样本。所以recall= 32/32 = 100%

Precision：准确率，又叫查准率
准确率也叫查准率，是你预测的样本中实际的正样本数 / 预测的样本数，为了提高准确率，可以少预测。

eg：还是上面的例子，上面的正样本占总样本比例 = 32/128 = 25%

我为了提高precision，我可以只预测一个样本。这样就有1/4的概率能预测到。假设恰好预测到了正样本，此时precision = 1/1 = 100%

*往往召回率越高，准确率越低。

目标检测中mAP
假设在测试集图片中，对某一类，有16个正样本，48个负样本。 
      将score前K个样本预测为正样本，假设这里面实际上有M个正样本。 则可以计算(P,R)。 
      调节阈值K，可以得到不同的(P-R)，最终可以让recall变化从0到1. 此时可以绘制P-R曲线。即可计算该类的AP。 
      对所有类的AP取均值，即可得到mAP。