mAP解释

AP用来处理目标检测问题，Precision和Recall只能处理分类问题。

mAP处理多目标问题，对AP进行简单平均。

 

mAP计算的两个参数

（1）IoU确定一个检测结果（Positive）是正确的（True）还是错误的（False）。

解释：1的confidence score表所有结果都是预测框，IoU决定了label的值，也就决定了预测是否是对的。

IOU阈值可以人为确定= 0.5，COCO数据集的评估指标建议对不同的IoU阈值进行计算。

（2）置信度（confidence score）确定预测框是Positive还是 Negative。

解释:小于设定的置信度的结果都不认为是真。

必须用PASCAL VOC CHALLENGE的标准来解决问题，因为不同的模型置信度归一化或者说计算方法不同。

参考文章

1.性能指标（模型评估）之mAP

https://blog.csdn.net/u014203453/article/details/77598997

2.最完整的检测模型评估指标mAP计算指南（附代码）在这里！

https://blog.csdn.net/l7H9JA4/article/details/80745028

文章1对mAP的计算过程讲解较清晰，但是没指出怎么给出ground truth label，也就是没解释IoU起到的作用。

文章2给出了ground truth的解释：计算每个Positive预测框与ground truth的IoU值，并取最大的IoU值，认为该预测框检测到了。然后根据IoU阈值（VOC取0.5），得到label为1的检测框，剩下的都是label为0。