平均精度均值（mean Average Precision, mAP）
- 1. 平均精度均值（mean Average Precision, mAP）
- 概念：
- 计算步骤：
- 具体例子：
- 重要说明：
- 典型值范围：
- 总结：
1. 平均精度均值（mean Average Precision, mAP）
概念：
mAP是目标检测中最常用的评估指标，综合反映模型在不同召回率下的平均精度表现。其核心是计算每个类别的平均精度（AP），然后对所有类别的AP取平均。
计算步骤：
- 对每个类别：
- 收集所有检测结果，按置信度降序排序
- 计算不同置信度阈值下的精确率（Precision）和召回率（Recall）
- 绘制P-R曲线，计算曲线下面积（AP）
- 对所有类别的AP取平均得到mAP
具体例子：
假设类别"cat"的检测情况：
- 真实框数量：5
- 检测结果（已按置信度排序）：
| 是否正确 | 置信度 |
|---|---|
| True | 0.95 |
| False | 0.85 |
| True | 0.8 |
| True | 0.7 |
| False | 0.65 |
| False | 0.6 |
计算步骤：
-
累计统计：
- 阈值0.95：TP=1, FP=0 → P=1.0, R=0.2
- 阈值0.85：TP=1, FP=1 → P=0.5, R=0.2
- 阈值0.8：TP=2, FP=1 → P=0.67, R=0.4
- …（依次类推）
-
绘制P-R曲线并计算AP（采用插值法）：
- 在COCO标准中，使用101个插值点计算面积
- 在VOC标准中，使用11点插值法
重要说明：
-
IoU阈值设定：
- mAP@0.5：IoU阈值为0.5
- mAP@0.5:0.95：IoU从0.5到0.95，步长0.05的平均值
-
不同数据集的差异：
- COCO mAP：使用80个类别，101点插值
- VOC mAP：使用20个类别，11点插值
典型值范围：
- 优秀模型：COCO mAP@0.5:0.95约50+
- 基准模型：YOLOv5s约37.4
- 经典模型：Faster R-CNN约42.0
总结：
mAP是评估模型性能的核心指标。实际应用中需要注意：
- 对比模型性能时需确保使用相同的mAP计算标准
- 不同检测任务（行人检测、车辆检测等）的典型mAP值差异较大
