這裡首先介紹幾個常見的模型評價術語，現在假設我們的分類目標只有兩類，計為正例（positive）和負例（negtive）分別是：
1）true positives(tp): 被正確地劃分為正例的個數，即實際為正例且被分類器劃分為正例的例項數（樣本數）；
2）false positives(fp): 被錯誤地劃分為正例的個數，即實際為負例但被分類器劃分為正例的例項數；
3）false negatives(fn):被錯誤地劃分為負例的個數，即實際為正例但被分類器劃分為負例的例項數；
4）true negatives(tn): 被正確地劃分為負例的個數，即實際為負例且被分類器劃分為負例的例項數。
首先來看roc，識別率是正樣本識別對的佔所有正樣本的概率；誤識率是負樣本識別成正樣本佔所有負樣本的概率；
pr曲線中的p即準確率是正樣本識別正確的占用所有識別認為是正樣本的概率；召回率r是正樣本識別正確的佔所有正樣本的個數，所以和roc中的識別率等價。
ap是是召回率在0~1之間pr曲線下的面積（這個面積代表的是平均準確率）。一般來說識別率和誤識率抑制。準確率和召回率也是抑制，原因就是類與類之間那個分界線不好切，總是相互抑制的切一刀。
ap衡量的是對乙個類檢測好壞，map就是對多個類的檢測好壞。就是簡單粗暴的把所有類的ap值取平均就好了。比如有兩類，類a的ap值是0.5，類b的ap值是0.2，那麼map=（0.5+0.2）/2=0.35
目標檢測中map的含義
詳見下文，講的非常詳細 what is map understanding the statistic of choice for comparing object detection models 不想看英文的，可以直接看我的注釋 1.對於某個類別c，在某一張上 首先計算c在一張上的precisi...
物體檢測中的mAP含義
1.對於某個類別 c c 在某一張上，首先計算 c role presentation style position relative c c在一張上的pr ecis ion pre cisi on precis ion 在一張圖 片上類別 c識別正 確的個數 也就是 iou 0.5 一 張 上 類...
人臉檢測 mAP的含義
感謝生活不只 眼前的苟且的幫助，今天在閱讀faceboxes的 讀的時候有的地方沒有看懂，就是評測指標這裡，這裡使用了乙個指標叫做map，我先以為這個map是 多分類中的map指標 後來看來一下作者github中給出的鏈結，然後我用 試了一下，發現是如下的結果，可以看到，這裡的橫座標是 false ...