mAP-Mean Average Precision

转载：https://www.pianshen.com/article/9216329593/
reference:https://github.com/rafaelpadilla/Object-Detection-Metrics
计算mAP的github:https://github.com/Cartucho/mAP

1.TP、TN、FP、FN

True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；

False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；

False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；

True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。

在目标检测中：

TP：预选框检测检测正确，即IoU>=0.5的预选框

FP：预选框检测检测错误，即IoU<0.5的预选框

FN：未被检测到的ground Truth

TN：不使用。这将代表纠正错误检测。在目标检测任务中，有许多可能的边界框在图像中不应被检测到。因此，TN将是所有可能未被检测到的边界框（图像中有如此多的可能框），这就是指标不使用它的原因。

2. Precision&Recall

精度p=TP/(TP+FP)
召回率c=TP/(TP+FN)

3.AP

AP是在0和1之间的所有召回值的平均精度。就是P-R曲线的曲线下面积。

由于曲线难以计算，所以我们采用11点插值法来求得，2012年后采用8点对应的Percision最大值，求取曲线面积即为AP值。

4.mAP

AP衡量的是对一个类检测好坏，mAP就是对多个类的检测好坏。就是简单粗暴的把所有类的AP值取平均就好了