目标检测map怎么计算出来的（目标检测指标mAP详解）
前言
相信刚刚接触目标检测的小伙伴也是有点疑惑吧 ，目标检测的知识点和模型属实有点多 ，想要工作找CV的话 ，目标检测是必须掌握的方向了 。我记得在找实习的时候 ，面试官就问到了我目标检测的指标是什么 ，答：mAP！问：mAP是什么？我：.......!☺
所以在本文中我也是详细说一下mAP 的含义 ，有什么不对的或者不全的欢迎大家指正！
mAP是mean of Average Precision的缩写 ，意思是平均精确度（average precision）的平均（mean） ，是object detection中模型性能的衡量标准 。object detection中 ，因为有物体定位框 ，分类中的accuracy并不适用 ，因此才提出了object detection独有的mAP指标 ，但这也导致mAP没有分类中的accuracy那么直观 。但也没有那么复杂 。首先 ，简单回顾几个基础概念 。
一 、查准率（Precision）和查全率（Recall）
查准率：预测所有为正的结果中 ，真正正确的结果的比例 。
查全率：所有正例中被正确预测的比例 ，即预测正确的覆盖率 。
来一张别人总结过的图片：
好的 ，看得有点懵没关系 ，大体有个印象就好 ，后面还会进行总结升华的！
关于IOU的部分在这里我就不多做介绍了 ，感兴趣的 朋友可以看看我这篇文章：NMS及IOU原理讲解和代码解析
二 、一个类别的AP计算
物体检测中的每一个预测结果包含两部分 ，预测框（bounding box）和置信概率（Pc） 。bounding box通常以矩形预测框的左上角和右下角的坐标表示 ，即x_min, y_min, x_max, y_max ，如下图 。置信概率Pc有两层意思 ，一是所预测bounding box的类别 ，二是这个类别的置信概率 ，如下图中的P_dog=0.88 ，代表预测绿色框为dog ，并且置信概率为88% 。
Rank | BB | confidence | GT ---------------------------- 1 | BB1 | 0.9 | 1 ---------------------------- 2 | BB2 | 0.8 | 1 ---------------------------- 3 | BB1 | 0.8 | 1 ---------------------------- 4 | BB3 | 0.5 | 0 ---------------------------- 5 | BB4 | 0.4 | 0 ---------------------------- 6 | BB5 | 0.4 | 1 ---------------------------- 7 | BB6 | 0.3 | 0 ---------------------------- 8 | BB7 | 0.2 | 0 ---------------------------- 9 | BB8 | 0.1 | 1 ---------------------------- 10 | BB9 | 0.1 | 1 ----------------------------因此 ，如果设置P_threshold=0 ，则有 TP=5 (BB1, BB2, BB5, BB8, BB9) ，FP=5 (重复检测到的BB1也算FP) 。除了表里检测到的5个GT以外 ，我们还有2个GT没被检测到 ，因此: FN = 2.
然后依次从上到下设定对应的rank为正反分界线 ，此rank之前（包含此rank）的预测为正 ，此rank之后的预测为反 ，然后计算对应的Precision和Recall：
rank=1 precision=1.00 and recall=0.14 -------------------------------------- rank=2 precision=1.00 and recall=0.29 -------------------------------------- rank=3 precision=0.66 and recall=0.29 -------------------------------------- rank=4 precision=0.50 and recall=0.29 -------------------------------------- rank=5 precision=0.40 and recall=0.29 -------------------------------------- rank=6 precision=0.50 and recall=0.43 -------------------------------------- rank=7 precision=0.43 and recall=0.43 -------------------------------------- rank=8 precision=0.38 and recall=0.43 -------------------------------------- rank=9 precision=0.44 and recall=0.57 -------------------------------------- rank=10 precision=0.50 and recall=0.71 --------------------------------------比如rank=4时 ，TP=2 (BB1, BB2) ，则
Precision=2/4=0.5 ，Recall=TP/GT=2/7=0.29可以看出 ，随着预测正反分割线的向下移动 ，Recall稳步变大 ，Precision整体减小 ，局部上下跳动 ，PR曲线如下图：
AP(Average Precision)的计算基本等同于计算PR曲线下的面积 ，但略有不同 。需要先将PR曲线平滑化 。方法是 ，查全率r对应的查准率p ，取查全率大于等于r时最大的查准率p 。即 ，
平滑后的曲线如下图中的绿色曲线：
PASCAL VOC挑战赛计算AP的老标准VOC07是：等间距选取11个recall[0.0,0.1,0.2...0.8,0.9,1.0] ，然后取这11个recall点对应的Precision值做平均 。
以上图为例 ，AP的计算过程为
2010年后的是取所有不同新标准的recall点对应的Precision值做平均 ，如下图所示 。新标准算出的AP更准 。
根据新标准 ，AP计算可以定义为经过插值的precision-recall曲线与X轴包络的面积 。这种方式称为：AUC (Area under curve）
r1 ，r2,...,rn是按升序排列的Precision插值段第一个插值处对应的recall值 。
三 、mAP
AP值计算仅仅是针对一个类别 ，得到AP后mAP的计算就变得很简单了 ，就是计算所有类别的AP ，然后取平均值 。mAP衡量的是训练出来的模型在所有类别上的检测能力的好坏 。假设有K种类别 ，K>1 ，那么mAP的计算公式：
当K=1时 ，mAP = AP 。
Pascal VOC新标准定义的mAP计算方式可以认为是mAP的标准计算方式 。
COCO挑战赛定义了12种mAP计算方式 ，典型的有：
mAP(IoU@0.5) ，跟Pascal VOC mAP标准计算方式一致；
mAP(IoU@[0.5:0.05:0.95]) ，需要计算10个IoU阈值下的mAP ，然后计算平均值 。这个评估指标比仅考虑通用IoU阈值(0.5)评估指标更能体现出模型的精度 。
mAP(IoU@0.75) ，这是一个对检测能力要求更高的标准 。
除了根据不同的IoU阈值来计算mAP外 ，还可以根据检测目标的大小来计算 。
mAP@small ，检测目标的面积 ≤ 32x32
mAP@medium ，32x32 ＜ 检测目标的面积 ≤ 96x96
mAP@Large ，96x96 ＜ 检测目标的面积
总结
查准率其实就是精确度 ，当Precision=1的时候就意味着我找一个对一个 ，Precision=0.1的时候意味着我找了十个检测框才对了一个 ，所以我们需要这个值越大越好 ，but要是只限制这一个指标的时候 ，然而这就会出现找不全的情况 。即一共十个目标 ，我只找了一个检测框 ，这个检测框是对的 ，这时候我的precision也是1 ，所以为了避免这种情况的出现 ，就加了另外一个定义：查全率--召回率 。Recall是预测为正实际为正占总体正样本的比例 ，Recall可以视作是模型在数据集中 ，检测出目标类型数据的能力 ，即是否把想找出来的都找出来了 ，Recall=1表示已经把想找出来的数据全部找出来了 。所以就加了这个限制 ，也是为什么在这两个坐标轴下呈现下降的情况 ，所以我们需要的最好的情况就是precision=1 AND Recall=1而在这种情况下AUC就是最容易计算的一种方式 。
参考：目标检测算法的评估指标：mAP定义及计算方式
详解object detection中的mAP
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！