mAP是深度学习模型的一个非常常见的模型评估指标，那么这么重要的一个指标究竟是一个啥东西呢？

在了解这个指标之前，我们需要明白以下几个概念：

什么是TP、TN、FP、FN？

现在假设我们的分类目标只有两类，分类结果正确的计为正例（positive）分类结果错误的j计为负例（negtive），然后我们就能得到如下的四种情况：

1）TP的英文全称为True Positives，其指的是被分配为正样本，而且分配对了的样本，代表的是被正确分类的正样本。

2）TN的英文全称为，其指的是被分配为负样本，而且分配对了的样本，代表的是被正确分类的负样本。

3）FP的英文全称为False Positives，其指的是被分配为正样本，但分配错了的样本，代表的是被错误分类的负样本。

4）FP的英文全称为False Negatives，其指的是被分配为负样本，但分配错了的样本，代表的是被错误分类的正样本。

什么是Precision和Recall？

Precision指的是精度；

Recall指的是召回率。

那么两者具体代表的意思是什么呢？

Precision 其实代表精确率，精确率表示预测样本中实际正样本数占所有正样本数的比例，

计算公式为：

精确率 = 正确预测样本中实际正样本数 / 所有的正样本数

即 precision = TP/（TP+FP）；

Recall 召回率，召回率表示预测样本中实际正样本数占所有预测的样本的比例，

计算公式为：  

召回率 = 正确预测样本中实际正样本数 /实际的正样本数

即 Recall = TP/(TP+FN) ；

什么是AP?

对于目标检测而言任务，每一个类都可以计算出其Precision和Recall，通过合理的计算，每个类都可以得到一条P-R曲线，曲线下的面积就是AP的值。

如下图所示：

计算面积：

即：AP = A1 + A2 + A3 + A4

什么是mAP?

讲到这里那究竟什么才是mAP？

其实mAP就是所有类别计算出来的AP取平均值!

mAP本质代表着什么？

为了理解mAP真正代表着什么，我们先来看看他的具体计算公式：

我们可以看出，mAP的分子是AP，而AP的分子是什么呢？换句话来说，什么与mAP成正比关系？

这个答案就是：分类器判断是正确的类别并且真实确实是正确类别的数量TP。

从这个角度来看，结论显然而出：

mAP体现的核心是其实就是准确率，mAP越高代表着的是判断是正确并且真正正确的精准度越高！