目标检测——mAP的概念

1、学习前言

在Github上我们可以看到许多模型，他们都有mAP值的评价指标

这到底是个啥呢？要了解它必须要先了解以下几个概念：

2、什么是TP、TN、FP、FN

TP（True Positives）意思就是被分为了正样本，而且分对了。
TN（True Negatives）意思就是被分为了负样本，而且分对了，
FP（False Positives）意思就是被分为了正样本，但是分错了（事实上这个样本是负样本）。
FN（False Negatives）意思就是被分为了负样本，但是分错了（事实上这个样本是这样本）。

3、什么是Precision和Recall

Precision指的是精度，
Recall指的是召回率。
两个分别代表什么意思呢？

TP是分类器认为是正样本而且确实是正样本的例子，
FP是分类器认为是正样本但实际上不是正样本的例子，
Precision翻译成中文就是“分类器认为是正类并且确实是正类的部分占所有分类器认为是正类的比例”。

TP是分类器认为是正样本而且确实是正样本的例子，
FN是分类器认为是负样本但实际上不是负样本的例子，
Recall翻译成中文就是“分类器认为是正类并且确实是正类的部分占所有确实是正类的比例”。

4、什么是IOU

IOU的概念应该比较简单，就是衡量预测框和真实框的重合程度。
下图是一个示例：图中绿色框为实际框（好像不是很绿……），红色框为预测框，当我们需要判断两个框之间的关系时，主要就是判断两个框的重合程度。

计算IOU的公式为：

可以看到IOU是一个比值，即交并比。
在分子部分，值为预测框和实际框之间的重叠区域；
在分母部分，值为预测框和实际框所占有的总区域。

交区域和并区域的比值，就是IOU。

4.1、概念举例

如图所示，蓝色的框是 真实框。绿色和红色的框是 预测框，绿色的框是正样本，红色的框是负样本。一般来讲，当预测框和真实框IOU>=0.5时，被认为是正样本。
因此对于这幅图来讲。
真实框一共有3个，正样本一共有2个，负样本一共有2个。
此时


一般来讲，当IOU>=0.5被认为是TP，当IOU<=0.5被认为是FP，Recall所用的TP+FN=N（一张图片所具有的N个目标，图片中所检测目标真实位置（蓝色真实框）的个数）

5、什么是AP

AP事实上指的是，利用不同的Precision和Recall的点的组合，画出来的曲线下面的面积。
如下面这幅图所示。

当我们取不同的置信度，可以获得不同的Precision和不同的Recall，当我们取得置信度够密集的时候，就可以获得非常多的Precision和Recall。

此时Precision和Recall可以在图片上画出一条线，这条线下部分的面积就是某个类的AP值。

AP值计算的公式如下：

其中


并且，在计算之前，将Recall值按照从大到小排序，对应precision值为从小到大

6、什么是mAP

mAP就是所有的类的AP值求平均。