与目标识别不同，目标检测中不仅仅需要在一张图片中检测到是否含有某物体，还需要将该物体的位置找出来，所以在判定模型的好坏时，就有其标准 —— mAP

一、Mean Average Precision -- mAP

（一）什么是 mAP ？

平均精度均值（mAP）是预测目标位置以及类别的这一类算法的性能度量标准。mAP 对于评估目标定位模型、目标检测模型以及实例分割模型非常有用。
在模型预测时，输出的 bounding box 是有很多的，但是大部分都是置信度很小的，我们只需要输出置信度超过某个阈值的 bounding box 。

（二）mAP 是怎么计算的？

先介绍几个概念

2.准确率、召回率、精确度

（1）准确率 -- precision & 召回率 -- recall

若一个待检测的物体为狗，我们将被正确识别的狗，即检测为狗实际也为狗，称为True positives。将被正确识别的猫，即检测为猫实际也为猫，称为True negatives。被错误识别为狗的猫称为 False positives，被错误识别为猫的狗称为 False negatives。
则 precision 的计算为：

$$precison=\frac{True Positives}{True Positives+False Positives}$$

准确率可以反映一个类别的预测正确率
recall 的计算为：

$$recall=\frac{True Positives}{True Positives+False Negatives}$$

（2）精确度 -- accuracy

精确度就是在所有预测的样本中，识别正确的占了多少。

$$accuracy=\frac{TruePositives+TrueNegatives}{TruePositives+FalseNegatives+TrueNegatives+FalsePositives}$$

准确率和召回率是互相影响的，因为如果想要提高准确率就会把预测的置信率阈值调高，所有置信率较高的预测才会被显示出来，而那一些正确正预测（True Positive）可能因为置信率比较低而没有被显示了。一般情况下准确率高、召回率就低，召回率低、准确率高，如果两者都低，就是网络出问题了。一般情况，用不同的阀值，统计出一组不同阀值下的精确率和召回率，如下图：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qzGFSeHC-1671170457999)(null)]

二、影响 mAP 的因素

一般来说影响 mAP 的原因有很多，主要有以下几个：

1. 不好的训练数据。
2. 训练数据不够多。
3. 标注的框不准确。
4. 数据的多变性。

有的时候增加训练数据可能 mAP 并不会增加多少。当然了，使用表现更好的网络，其 mAP 自然地也会更加的高。