目标检测学习（2）map计算

一、前言

  本篇主要介绍Map的计算，主要参考以下两篇文章

https://blog.csdn.net/hsqyc/article/details/81702437

https://blog.csdn.net/zhou4411781/article/details/105839357

二、TP、TN、FP、FN

  这4个值由以下图就很好理解了

TP：实际为真，预测为真

TN：实际为假，预测为假

FP：实际为假，预测为真

FN：实际为真，预测为假

三、Accuracy、Precision、Recall

准确率 Accuracy = (TP+TN)/(TP+TN+FP+FN) , 所有样本中，预测对的概率

精确类 Precision = TP/(TP+FP)，所有被预测为真的样本中，实际为真的概率

召回率 Recall = TP/(TP+FN) ，所有实际为真的样本中，被预测为真的概率，也叫查全率

四、Map的计算

Map为平均准确度均值的意思，实际ap计算为PR曲线下的面积

 对于目标检测，先了解IOU的定义，为基准框和预测框的覆盖面积比例，衡量两者的重合程度

  此外，还有给出预测框的label、以及置信度阈值

  取定某个置信度阈值，某个label，则对该label的所有大于等于该阈值的预测框做统计，如果一个预测框IOU大于0.5，则为TP，否则为FP，若有基准框没被检测出，则该框为FN。故可计算Precision、Recall值

  通过取定多个阈值，可得到多组Precision、Recall值，可画出RP曲线，对曲线下的面积做统计则为AP，对所有label的AP取平均值，则可得到Map值

（1）voc2007的计算方法：

在计算AP时，首先要把结果按照置信度排序，公式如下：

（2）voc2010的计算方法：

比起07年，10年以后的新方法是取所有真实的recall值，得到所有recall/precision数据点以后，计算recall/precision曲线下的面积,如以下PR曲线：

a）07年的方法：我们选取Recall >={ 0, 0.1, …, 1}的11处Percision的最大值：1, 1, 1, 0.5, 0.5, 0.5, 0.5, 0.5, 0, 0, 0。AP = 5.5 / 11 = 0.5

b）VOC2010及以后的方法，对于Recall >= {0, 0.14, 0.29, 0.43, 0.57, 0.71, 1}，我们选取此时Percision的最大值：1, 1, 1, 0.5, 0.5, 0.5, 0。计算recall/precision下的面积：AP = (0.14-0)x1 + (0.29-0.14)x1 + (0.43-0.29)x0.5 + (0.57-0.43)x0.5 + (0.71-0.57)x0.5 + (1-0.71)x0 = 0.5

计算出每个类别的AP以后，对于所有类别的AP取均值就得到mAP了。