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：

p r e c i s o n = \frac{T r u e P o s i t i v e s}{T r u e P o s i t i v e s + F a l s e P o s i t i v e s}

$precison=\frac{True Positives}{True Positives+False Positives}$
recall 的计算为：

r e c a l l = \frac{T r u e P o s i t i v e s}{T r u e P o s i t i v e s + F a l s e N e g a t i v e s}

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

（2）精确度 – accuracy

a c c u r a c y = \frac{T r u e P o s i t i v e s + T r u e N e g a t i v e s}{T r u e P o s i t i v e s + F a l s e N e g a t i v e s + T r u e N e g a t i v e s + F a l s e P o s i t i v e s}

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

准确率和召回率是互相影响的，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：

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。

平均精度均值（Mean Average Precision, mAP）