mAP是衡量目标检测算法性能的重要指标，尤其在深度学习的计算机视觉任务中。它基于精确率和召回率，通过计算IoU（交并比）确定预测框的准确性。当IoU超过0.5时，视为正确检测。每个类别的平均精度（Average Precision）再求平均，就得到了mAP，用于综合评价模型的整体表现。
在目标检测算法（如Faster RCNN， YOLO ，SSD）中mAP常做为一种基准来衡量算法的精确度好坏。
mAP的本质其实是多类检测中各类别最大召回率（recall）的一个平均值。
计算mAP之前我们先要了解Precision和Recall也就是精确率和召回率。
精确率（precision）主要衡量模型做出预测的精准度，也就是TP在TP与FP和中的占比率。
召回率（recall）主要用来衡量模型对positives的检测程度，也就是TP在TP与FN中的占比率。
·IoU
loU(交并比)是模型所预测的检测框和真实(ground truth)的检测框的交集和并集之间的比例。这个数据也被称为Jaccard指数。
我们使用loU看检测是否正确需要设定一个阈值，最常用的阈值是0.5，即如果loU>0.5，则认为是真实的检测(true det
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
