梦见房子漏雨>眼皮老跳是什么原因⽬标检测算法map_⽬标检测的指标AP与mAP详解
概述
上⼀章《机器学习回归模型评价指标-MAE, MSE, MAPE及代码实现》主要讲述了MAE, MSE, MAPE的概念以及代码实现，本章讲述⽬标检测的指标AP与mAP。
AP和MAP是图像分类任务中的评价⽅法.
AP、MAP的计算
举例说明
⾸先⽤训练好的模型得到所有测试样本的confidence score，每⼀类(如car)的confidence score保存到⼀个⽂件中(如
comp1_cls_)。假设共有20个测试样本，每个的id，confidence score和ground truth label如下：
炸鸡翅的家常做法
失恋歌曲排行榜
接下来对confidence score排序，得到：
万圣节之变
测label为1，即：
染纸作品
在幸福中成长作文在这个例⼦中，true positives就是指第4和第2张图⽚，fal positives就是指第13，19，6张图⽚。是相对于⽅框内的元素⽽⾔，在这
个例⼦中，confidence score排在top-5之外的元素为fal negatives和true negatives，即：
其中，fal negatives(FN)是指第9，16，7，20张图⽚，true negatives(TN)是指1,18,5,15,10,17,12,14,8,11,3张图⽚。那么，这个例⼦中Precision=2/5=40%，意思是对于car这⼀类别，我们选定了5个样本，其中正确的有2个，即准确率为40%；
子婴简介
Recall=2/6=30%，意思是在所有测试样本中，共有6个car，但是因为我们只召回了2个，所以召回率为30%
实际多类别分类任务中，我们通常不满⾜只通过top-5来衡量⼀个模型的好坏，⽽是需要知道从top-1到top-N(N是所有测试样本个数，本⽂中为20)对应的precision和recall。
假设这N个样本中有M个正例，那么我们会得到M个recall值(1/M, 2/M, ..., M/M)，对于每个recall值r，我们可以计算出对应(r' >= r)的最⼤
precision，然后对这M个precision值取平均即得到最后的AP值。计算⽅法如下：
AP衡量的是模型在每个类别上的好坏，计算每个分类的AP，求和再平均，得到的就是mAP。
总结
此例中采⽤top-5评估，也可采⽤其他评估，如AP50，即当预测框与真实框的IoU值⼤于这个阈值时，该预测框才被认定为真阳性(True
Positive, TP)，反之就是假阳性(Fal Positive，FP)。
