[人工智能]目标检测评价指标——mAP

mAP，不认识英文单词的可以看一哈：

P：Precision，精度

AP：Average Precision，平均精度

mAP：mean Average Precision，平均精度均值

开个玩笑，下面就进行具体介绍一下，Show Time~

一、TP、TN、FP、FN

前情提要：

IoU：intersection over union，交并比，计算方法也是字面意思。“交”——预测框和ground-truth的交集，也就是二者的重叠区域。“并”——预测框和ground-truth的并集，也就是二者所包含的总和区域。而 IoU 交并比，指的就是“交”与“并”的比，也就是 重叠区域 和 总和区域 的 比值。

IoUthreshold：设置的IoU阈值。

正式开始：

TP：True Positives，指的是被分配为正样本，而且分配对了的样本，代表的是被正确分类的正样本，IoU > IoUthreshold 的检测框数量（同一Ground Truth只计算一次）。

TN：True Negatives，指的是被分配为负样本，而且分配对了的样本，代表的是被正确分类的负样本，在mAP评价指标中不会使用到。

FP：False Positives，指的是被分配为正样本，但分配错了的样本，代表的是被错误分类的负样本，IoU <= IoUthreshold?的检测框，或者是检测到同一个GT的多余检测框的数量。

FN：False Negatives，指的是被分配为负样本，但分配错了的样本，代表的是被错误分类的正样本，没有检测到的GT的数量。

便于记忆：True、False指的是分配对、错；Positive、Negative指的是将样本分配为正样本、负样本。

混淆矩阵：Confusion Matrix，将TP、TN、FP、FN这四个指标一起呈现在表格中，就能得到如下这样一个矩阵，我们称它为混淆矩阵。

二、Precision、Recall

Precision：准确率，又叫查准率，Precision=TP/(TP+FP)=TP/预测框总数，指在所有确实为正的样本中，被预测为正样本的占比。

Recall：召回率，又叫查全率，Recall=TP/(TP+FN)=TP/GT框数量，指在所有被预测为正的样本中，确实是正样本的占比。

PR曲线：Precision-Recall曲线，以Precision为横坐标，Recall为纵坐标，即可得到PR曲线。

三、mAP(mean Average Precision)

使用mAP综合衡量检测效果，单看Precision和Recall是不行的，因为Precision和Recall是成反比的关系，所以使用AP来作为一个均衡的评价指标。

AP：Average Precision，平均精度，对于目标检测的任务，每一个类都可以计算出其Precision和Recall，通过合理的计算，每个类都可以得到一条PR曲线，曲线下的面积就是AP的值，用来衡量对一个类检测的好坏。

mAP：mean Average Precision, 即所有类别AP的平均值，衡量多类别目标检测的好坏。

四、PASCAL VOC、MS COCO

不同的数据集/竞赛可能有不同的评估指标，最常用的是PASCAL VOC和MS COCO。

PASCAL VOC：

????????1、要计算mAP必须先绘出各类别PR曲线，计算出AP。而如何采样PR曲线，VOC采用过两种不同方法。

????????（1）在VOC2010以前，例如VOC2007，选取当Recall >= 0, [0.1, 0.2, …, 1]，共11个点时的Precision最大值，然后AP就是这11个Precision的平均值。
????????（2）在VOC2010及以后，例如VOC2012，针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，然后计算PR曲线下面积作为AP值，即PR曲线下的面积(AUC)。

????????2、mAP就是计算完每个类的AP值之后，求平均即可。

COCO：

????????在VOC中，IoU的阈值固定为0.5。而在COCO中，是指定一个阈值范围[.5:.05:.95]，即从 0.5 到 0.95 逐步递增 0.05 共10个IoU阈值，它计算这个范围中每个IoU阈值的mAP，然后再求平均得到最终的mAP，实际上是mmAP。（注：在COCO中这个最终的mAP也可简写为AP）

????????另外，与VOC不同的是，COCO中使用101点法(Recall范围[0:.01:1] )来计算AP。

?????????AP50：即IOU阈值为0.5时的mAP。