mAP是目標檢測中常用的一個度量檢測結果的評價標準，全稱是mean average precision，理解這個概念之前，需要了解一些其他的概念。文章主要分為三部分：關於mAP的幾個概念，PR曲線以及常見的三種計算mAP的方式。

1、相關概念

1）第一組：

True Positives(TP)：真正例 （以為是正，實際是的）     

FALSE Positives(FP): 假正例 （以為是正，實際不是）

True Negatives(TN)：真負例 （以為是負，實際是的）    這個引數後面沒用上   

FALSE Negatives(FP): 假負例 （以為是負，實際不是）

關於這四個名詞可以這樣理解，第二個字代表預測結果，第一個字表示預測的對還是錯。

目標檢測中TP、FP的理解：

一般首先設定一個confidence score，如果大於這個閾值，才會被認為正樣本，即Positives

TP：IoU>0.5的檢測框數量 （同一GT只計算一次）

FP:  IoU<=0.5的檢測框，或者是檢測到同一個GT的多餘檢測框的數量

FN: 沒有檢測到的GT的數量（即置信度小於閾值）

2）第二組

precision = TP / (TP+FP)   精度（查準率，即你認為是正樣本中實際有多少是正樣本）

recall = TP / (TP+TN)      召回率（查全率，所有的正樣本中你找出了多少）

2、P-R曲線

查準率和查全率一般不可兼得，以recall為橫座標，precision為縱座標，就可以得到p-r曲線。

根據兩者的定義可以知道，隨著選定的用於評估的樣本數目的增多，recall值會越來越高，但precision的值整體上會呈現出一個下降的趨勢。

3、三種計算mAP的方式

mAP 是用於衡量該模型在所有類上檢測效能好壞的指標，就是所有類上AP的平均值。計算mAP，首先要計算AP。

常見計算AP的三種方式：

1）11-Point（VOC2007使用）預設召回率間隔為{0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0}

2）MaxIntegral（VOC2010及以後）最大值積分法。這種方式更為精確，一般mAP值也會大一些。

3）Integral  普通積分法

計算示例：

rank 的數值即參與計算的元素數目。所有元素按照confidence score從高到低的順序排列，只取置信度高的。

高於閾值的元素共有十個，依次計算precision和recall值。

1）若為11 point方式，則recall依次取陣列內的11個元素，依次取大於該recall的最大precision值參與計算，即為：1,1,1,0.5,0.5,0.5,0.5,0.5,0,0,0,平均值為0.5

注意：recall取0.5時的最大值還是0.5

2）若為MaxIntegral方式，則recall取實際的資料，即：0.14,0.29,0.43,0.57,0.71還有0和1，計算AP = (0.14-0)*1 + (0.29-0.14)*1 + (0.43-0.29)*0.5 + (0.57-0.43)*0.5 + (0.71-0.57)*0.5 + (1-0.71)*0 = 0.5

 （即若N個樣本中有M個正例，則共有M+1個recall值，{0,1/M,2/M,.....M/M}）