1.先在詞義上理解一下這個東西

mAP（mean Average Precision）

1.1Precision

Precision的定義如下也就是在預測的結果當中有多少是真正的：

Precision和ReCall都是很好的評價因素，具體選擇哪個主要是看我們更加在乎什么？
我們用目標檢測舉例子，目標檢測的時候：

• 如果錯誤的圈出來的空框對我們影響很大我們就應該使用Precision，
• 如果沒有圈出來的物體對我們影響很大我們就應該使用Recall

1.2Average

有幾個朋友跟我反饋看不懂，我準備換成兩個方式解讀，如果您方式一看不懂，可以試一下方式二：

1.2.1 方式1：簡單粗暴，直奔主題

均值的目的：在評估模型在不同的Recall要求下工作的平均表現。

既然是求一個均值，那么我們就得確定一個分類標準

• 什么是分類標準？
  例如我們可以選擇這樣的分類標準，就是將每個元素都分成一個類，這樣對所有類別求平均就是我們熟知的求平均方式了。所以分類其實是我們平時計算分類忽略的小細節。我們認為每個物體都當做一個分類是理所應當的。
• 在AP當中我們是否可以沿用每個個體都當做一個分類的方式？
  采用我們熟知的單獨分類顯然不行，因為我們上面也說了Precision的計算方法，如果對于一個物體來計算有點不對勁。
• 那么我們能不能用Precision作為分類標準？
  能不能使用Precision的值作為分類標準？
  顯然也不行，如果這樣子的話，我們就相當于將每個Precision的值當做權重相等來看待（就算某個Precision值只出現一次，他也會被當做一個類，和其他類具有相同的權值），這個是不太對勁的。
• 那么為什么用使用Recall作為分類標準？
  這個使用Recall作為分類標準的思想，就是實際的做法，其實想一下他的思想，確實很好。使用Recall的目的就是，在評估模型在不同的Recall要求下工作的平均表現。

確定一個分類標準之后，怎么在相同的Recall當中選定代表這個Recall類別的值？

• 選擇這個Recall當中的所有值得平均值可以嗎？
  這樣不好吧，因為我們在實際選擇的時候在滿足這個Recall的前提下，不會將所有的Precision的值都取到，我們肯定會取一個最好的Precision。
• 所以我們怎么選？
  上面的分析中其實我們已經確定了，直接選擇最大的Precision就完事了。
• 怎么選擇最大值？
  就是選定恰好合適的confidence就完事了唄。

1.2.2 方式2：順序理解這個東西

這個是平均，對什么求平均，我們回憶yolo當中的confidence，預測的結果是一個置信度，但是可沒有確定多少的置信度我們需要將其真正的標記出來吧。所以，就有了下面這個在眾多博客中出現的圖片：
這個東西就是預測出來的結果

我們按照置信度排順序之后，就成了下面的結果

這樣就出現了下面的情況，就是我們選定某個confidence閾值作為判定樸準時的情況，得到不同的Precision，之后求均值。
這里最關鍵的就是怎么分成這么多類的，這里既然是評估Precision就得用另外的Recall作為衡量標準，所以這里是使用Recall值得不同來完成劃分的。

總結：
1.用recall值的不同劃分小組
2.之后各組選一個最大值（就是在把持當前recall的情況下最好的precision可以達到的情況。）
3.用最大值求一個均值就是AP了

1.3mean

這里又是一個均值，和之前的average又有什么區別呢？其實這兩個是完全不同的，之前的AP是對某一個確定類別做事，但是有很多類別，所以我們需要對所有的類別求一個均值。

2.總結

2021年7月24日23:33:16太晚了鐵子們，明個寫吧。

總結

以上是生活随笔為你收集整理的什么是mAP?的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。