5、什麼是ap
6、什麼是map
在github上我們可以看到許多模型，他們都有map值的評價指標
這到底是個啥呢？要了解它必須要先了解以下幾個概念：
tp（true positives）意思就是被分為了正樣本，而且分對了。
tn（true negatives）意思就是被分為了負樣本，而且分對了，
fp（false positives）意思就是被分為了正樣本，但是分錯了（事實上這個樣本是負樣本）。
fn（false negatives）意思就是被分為了負樣本，但是分錯了（事實上這個樣本是這樣本）。
precision指的是精度，
recall指的是召回率。
兩個分別代表什麼意思呢？
tp是分類器認為是正樣本而且確實是正樣本的例子，
fp是分類器認為是正樣本但實際上不是正樣本的例子，
precision翻譯成中文就是「分類器認為是正類並且確實是正類的部分佔所有分類器認為是正類的比例」。
tp是分類器認為是正樣本而且確實是正樣本的例子，
fn是分類器認為是負樣本但實際上不是負樣本的例子，
recall翻譯成中文就是「分類器認為是正類並且確實是正類的部分佔所有確實是正類的比例」。
iou的概念應該比較簡單，就是衡量**框和真實框的重合程度。
下圖是乙個示例：圖中綠色框為實際框（好像不是很綠……），紅色框為**框，當我們需要判斷兩個框之間的關係時，主要就是判斷兩個框的重合程度。
計算iou的公式為：
可以看到iou是乙個比值，即交並比。
在分子部分，值為**框和實際框之間的重疊區域；
在分母部分，值為**框和實際框所占有的總區域。
交區域和並區域的比值，就是iou。
如圖所示，藍色的框是 真實框。綠色和紅色的框是 **框，綠色的框是正樣本，紅色的框是負樣本。一般來講，當**框和真實框iou>=0.5時，被認為是正樣本。
因此對於這幅圖來講。
真實框一共有3個，正樣本一共有2個，負樣本一共有2個。
此時
一般來講，當iou>=0.5被認為是tp，當iou<=0.5被認為是fp，recall所用的tp+fn=n（一張所具有的n個目標，中所檢測目標真實位置（藍色真實框）的個數）
ap事實上指的是，利用不同的precision和recall的點的組合，畫出來的曲線下面的面積。
如下面這幅圖所示。
當我們取不同的置信度，可以獲得不同的precision和不同的recall，當我們取得置信度夠密集的時候，就可以獲得非常多的precision和recall。
此時precision和recall可以在上畫出一條線，這條線下部分的面積就是某個類的ap值。
ap值計算的公式如下：
其中並且，在計算之前，將recall值按照從大到小排序，對應precision值為從小到大
map就是所有的類的ap值求平均。
目標檢測計算mAP
參考1 pascal voc從2007開始用interpolated法計算map coco的map低的原因 coco資料集結果評估 ssd計算map faster r cnn計算map coco資料annotation內容,bbox是 x,y,width,height 畫pr曲線 使用cocoapi...
目標檢測mAP值計算
tp true positives 意思是 被分為正樣本，並且分對了 tn true negatives 意思是 被分為負樣本，而且分對了 fp false positives 意思是 被分為正樣本，但是分錯了 fn false negatives 意思是 被分為負樣本，但是分錯了 按下圖來解釋，左...
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...