目标检测评价指标
mAP是目标检测中常用的评价指标之一，在论文中可以经常看到。全称是mean average precision (mAP)即各个类别AP的平均值。常用的评测指标有：
-
mAP:
- mean Average Precision, 即各类别AP的平均值
-
TP、FP、FN、TN
-
True Positive (TP): IoU>IOU_threshold（一般设置为0.5）的检测框数量（同一Ground Truth/GT只计算一次）
-
False Positive (FP): IoU<=IOU_threshold（一般设置为0.5）的检测框，或者是检测到同一个GT的多余检测框的数量
-
False Negative (FN): 没有检测到的GT的数量
-
True Negative (TN): 在 mAP 评价指标中不会使用到
-
-
查准率，查全率
-
Precision: TP / (TP + FP)
-
Recall: TP / (TP + FN)
PR曲线 : Precision-Recall曲线
AP: PR曲线下面积，后文会详细讲解
-
-
交互比（ Intersection Over Union (IOU)）
- 交并比（IOU）是度量两个检测框（对于目标检测来说）的交叠程度，公式如下：
- B_gt 代表的是目标实际的边框（Ground Truth，GT），B_p 代表的是预测的边框，通过计算这两者的 IOU，可以判断预测的检测框是否符合条件，IOU 用图片展示如下：
评价指标mAP
下面用一个例子说明 AP 和 mAP 的计算
先规定两个公式，一个是 Precision，一个是 Recall，这两个公式同上面的一样，在之前的博客中有介绍，参见https://blog.csdn.net/uncle_ll/article/details/117255345
把它们扩展开来，用另外一种形式进行展示，其中 all detctions 代表所有预测框的数量， all ground truths 代表所有 GT 的数量。 
AP 是计算某一类 P-R 曲线下的面积，mAP 则是计算所有类别 P-R 曲线下面积的平均值
假设我们有 7 张图片（Images1-Image7），这些图片有 15 个目标（绿色的框，GT 的数量，上文提及的 all ground truths）以及 24 个预测边框（红色的框，A-Y 编号表示，并且有一个置信度值）
根据上图以及说明，我们可以列出以下表格，其中 Images 代表图片的编号，Detections 代表预测边框的编号，Confidences 代表预测边框的置信度，TP or FP 代表预测的边框是标记为 TP 还是 FP（认为预测边框与 GT 的 IOU 值大于等于 0.3 就标记为 TP；若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.3 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP），阈值设置为 0.3 是随机设置的一个值。
通过上表，就可以绘制出 P-R 曲线（因为 AP 就是 P-R 曲线下面的面积），但是在此之前需要计算出 P-R 曲线上各个点的坐标，根据置信度从大到小排序所有的预测框，然后就可以计算 Precision 和 Recall 的值，见下表。（需要记住一个叫累加的概念，就是下图的 ACC TP 和 ACC FP）
-
标号为 1 的 Precision 和 Recall 的计算方式：Precision=TP/(TP+FP)=1/(1+0)=1，Recall=TP/(TP+FN)=TP/(
all ground truths)=1/15=0.0666 （all ground truths 上面有定义过了） -
标号 2：Precision=TP/(TP+FP)=1/(1+1)=0.5，Recall=TP/(TP+FN)=TP/(
all ground truths)=1/15=0.0666 -
标号 3：Precision=TP/(TP+FP)=2/(2+1)=0.6666，Recall=TP/(TP+FN)=TP/(
all ground truths)=2/15=0.1333 -
其他的依次类推
绘制出 P-R 曲线
得到 P-R 曲线就可以计算 AP（P-R 曲线下的面积），要计算 P-R 下方的面积，一般使用的是插值的方法，取 11 个点 [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1] 的插值所得
得到一个类别的 AP 结果如下：
要计算 mAP，就把所有类别的 AP 计算出来，然后求取平均即可。
mAP.5 与mAP.5:.95
mAP.5表示IOU阈值设置为0.5时候计算的mAPmAP@[.5:.95](mAP@[.5,.95]) 表示在阈值区间 [0.5, 0.95]，步长为0.5的平均mAP 。IoU thresholds, from 0.5 to 0.95, step 0.05 (0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.95).
self.iouThrs = np.linspace(.5, 0.95, np.round((0.95 - .5) / .05) + 1, endpoint=True)
来源
-
A Comparative Analysis of Object Detection Metrics with a
Companion Open-Source Toolkit
-
项目地址：https://github.com/rafaelpadilla/Object-Detection-Metrics
-
https://datascience.stackexchange.com/questions/16797/what-does-the-notation-map-5-95-mean
-
https://www.zhihu.com/question/53405779
-
https://cocodataset.org/#detection-eval