对象检测网络中的mAP到底怎么计算出来的

一：相关名词解释

mAP是英文mean Average Precision的全称，同时也是衡量深度学习中对象检测算法准确率的一个重要指标，mAP的计算涉及到很多专业的术语与解释，首先就来认识一下这些术语名词与解释：

IOU 英文全称是(Intersection-over-Union)并交比，
在对象检测中只有那些并交比大于0.5的才被认为是TP(True Position)即正确匹配与预测。关于IOU的形象解释如下图：

对于正确标注数据框与预测数据框，交并比的图示如下：

TP(Ture Position)
表示预测与真实标注框保持了一致，但是还没有被正确的检测出来的,简单直白的点说就是将要成功预测。

FP(False Position)
表示预测与真实不符合，假设真实标注框是CAR、FP表示你有多少预测是CAR但是实际对象不是CAR，所谓的假阳性。

FN(False Negatives)
表示有多少个真实标注框没有被检测到，以VOC数据集中CAR为例，表示有多少CAR对象没有被检测出来。

二：计算均值平均精度(mAP)与召回率(recall)

搞清楚上面的几个专业名词解释真实含义之后，计算mAP与recall就会相对比较容易理解。下面是给出来计算TP、FP、FN的伪代码如下：

iterate through entire list of predictions for all images
if IOU > threshold

    if object not detected yet

        TP++

    else

        FP++    // nms should reduce # of overlapping predictions
else 

    FP++

if no prediction made for an image

FN++

最终计算mAP与召回率公式如下：

mAP = TP/(TP+FP)
Recall = TP/(TP+FN)

mAP与recall的曲线随着训练时间的推移，都会不断的上升，预示着对象检测率不断提升、模型正在正常训练过程中，如果发现训练时候mAP曲线没有上升或者有值一直很小，就说明模型训练出现了问题，需要仔细检查模型构造与数据。同时mAP指标也是衡量一个对象检测模型好坏的重要指标数据，在tensorflow常用的对象检测模型基于COCO数据集训练得到mAP指标对比列表如下：