再看目标检测map指标

1、引言

        对于目标检测，我们该怎么判断检测的整体好坏呢？如下面这张图：

        IOU大于指定阈值？类别正确？还是置信度大于指定阈值？直观的感觉是都要考虑到。

2、几个关键指标

        TP、FP、FN，其实就是正确检出、误检和漏检的数量。

        TP（True Positive，正确检出）：IOU>0.5的检测框数量（同一Ground Truth只计算一次）；

        FP（False Positive，误检）：IOU

        FN（False Negative，漏检）：没有检测到的GT的数量；

查准率、查全率：

        Precision（查准率、精度）：TP / (TP + FP) 模型预测的所有目标中，预测正确的比例；

        Recall（查全率）：TP / (TP + FN) 所有真实目标中，模型预测正确的目标比例；

        查准率描述了模型本身的准确率，查全率反映了有正样本被检测到的比例。两个指标一般要一块用，单独一个指标没有特别的参考意义。如下图，绿色为真值，红色为检测结果。左图模型只检测到一个目标，且是正确的，根据定义Precision=1，但是漏掉了很多目标。右图，检测到比实际多很多的框，数量取胜，所有目标均检测到，根据定义Recall=1，但是有很多的错误。所以，一般两个指标结合着使用，AP。

        AP：P-R曲线下的面积，AP越大模型检测效果越好；

        P-R曲线：Precision-Recall曲线；

        mAP：mean Average Precision，即各类被的AP平均值；

3、AP计算

        绿色为真值，红色为检测框。统计每张图的与真值有交集的检测框：GT ID、置信度、是否是目标（IOU>0.5），然后按照置信度倒排序。过程如下：

第一张图：

第二张图：

第三张图：

        按照置信度倒排序，从上至下，依次计算查全率和查准率。结果如下：

        按这个结果给出的PR曲线会出现Recall高时反而精度比Recall低时高的情况，这里每个Recall的取它下面排名中最大的Precision，相同Recall只统计一次，结果如下：

        上面即为VOC2017 mAP指标计算方式。

4、coco指标说明

        coco的官网给出指标说明，COCO - Common Objects in Context，这里摘取：

Average Precision（AP）：

        根据不同Iou约束，确定的AP。

        AP：及Iou为0.5:0.05:0.95是所有AP的平均值；

        APIou=0.5：即VOC2017的AP；

        APIou=0.7：Iou更严格的AP。

AP Across Scales：

        根据不同面积约束，确定的AP。

        APsmall：面积小于32*32的所有目标的AP平均值；

        APmedium：面积在32*32至96*96的所有目标的AP平均值；

        APlarge：面积大于96*96的所有目标的AP平均值。

Average Recall（AR）：

        根据约束每张图上检测目标个数，确定的AP。

        APmax=1：每张图上最多只检测1个目标是的AP；

        APmax=10：每张图上最多只检测10个目标是的AP；

        APmax=100：每张图上最多只检测100个目标是的AP。