MAP

1. MAP

precision=正确的数目/所有的结果
recall=结果中正确的/所有的正确的
P是把准确率在recall值为Recall = {0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1}时（总共11个rank水平上），求平均值：
AP = 1/11 ∑ recall∈{0,0.1,…,1} Precision(Recall) 针对单个类别的
均精度均值(mAP)：只是把每个类别的AP都算了一遍，再取平均值：
mAP = AVG(AP for each object class) 针对所有类别的

2. 目标检测中的MAP
给定一个张图片，我们可以知道图像中某个类别被正确检测的次数，也知道该张图片中该类别的数目所以在一张图中，某个类别的precison=图像中正确预测的数量/图像中这一类的总的目标数量。

如果有100张图片，那么就可以得到100个精确值，计算这100个精度值的平均值，就可以得到该类的平均精度：

如果我们一共有20个类别，对于每个类别，我们都可以计算IOU，计算精度和平均精度，可以取所有类别的平均精度的平均值。MAP

3. 计算MAP应该满足的一些条件

1 在固定的数据集上
2，不是模型输出的绝对度量，而是一个相对度量，
3，根据训练中类别的分布情况，平均精度可能会因为某些类别非常高，或者非常低，模型对于某些类很好，但是对于一些类就不会很好，建议在分析模型的时候，查看各类的平均精度，这些值可以作为我们是否添加更多训练样本的重要依据。
NMS
检测的时候，会生成很多的候选框，我们凶得分最高的开始，剩下的里面如果与它的重叠度大于一个设定的阈值，就把那个去掉，一直重复这个过程 ，找到曾经被保留的所有的矩形框。