mAP定義及相關概念
- mAP: mean Average Precision, 即各類別AP的平均值
- AP: PR曲線下面積，平均精度，在不同recall下的最高precision的均值(一般會對各類別分別計算各自的AP)。
- PR曲線: Precision-Recall曲線
- Precision: TP / (TP + FP)
- Recall: TP / (TP + FN)
- TP: IoU>0.5的檢測框數量（同一Ground Truth只計算一次）
- FP: IoU<=0.5的檢測框，或者是檢測到同一個GT的多余檢測框的數量
- FN: 沒有檢測到的GT的數量
- IoU(intersection of union)預測框和真實值的交並比
TP (True Positive)：一個正確的檢測，檢測的IOU ≥ threshold。即預測的邊界框(bounding box)中分類正確且邊界框坐標正確的數量。
FP (False Positive)：一個錯誤的檢測，檢測的IOU < threshold。即預測的邊界框中分類錯誤或者邊界框坐標不達標的數量，即預測出的所有邊界框中除去預測正確的邊界框，剩下的邊界框的數量。
FN (False Negative)：一個沒有被檢測出來的ground truth。所有沒有預測到的邊界框的數量，即正確的邊界框(ground truth)中除去被預測正確的邊界框，剩下的邊界框的數量。
Precision (精確率)：「Precision is the ability of a model to identify only the relevant objects」，精確率是模型只找到相關目標的能力，等於TP/(TP+FP)。即模型給出的所有預測結果中命中真實目標的比例。
Recall (召回率)：「Recall is the ability of a model to find all the relevant cases (all ground truth bounding boxes)」，召回率是模型找到所有相關目標的能力，等於TP/(TP+FN)。即模型給出的預測結果最多能覆蓋多少真實目標。
P-R 曲線
AP就是計算曲線下的面積，mAP就是計算各種分類的平均面積。因此曲線下的面積越大，檢測效果越好。
對於Recall >= 0, 0.14, 0.29, 0.43, 0.57, 0.71, 1，我們選取此時Percision的最大值：1, 1, 1, 0.5, 0.5, 0.5, 0。此時Aeroplane類別的 AP = (0.14-0)*1 + (0.29-0.14)*1 + (0.43-0.29)*0.5 + (0.57-0.43)*0.5 + (0.71-0.57)*0.5 + (1-0.71)*0 = 0.5
一般來說，對於多分類目標檢測的任務，會分別計算每個類別的TP、FP、FN數量，進一步計算每個類別的Precision、Recall。基於numpy的實現代碼見：https://github.com/Cartucho/mAP https://github.com/facebookresearch/Detectron/blob/master/detectron/datasets/voc_eval.py