0x00 基本概念
在说明mAP这个概念之前，我们先要说一下两个新的概念：precision和recall。这是论文中经常提及的两个概念。我们举这样的一个例子：
我们现在有一个检测狗的任务，但是这个任务数据中包含了猫。那么我们这个时候就有一个问题，我们怎么描述一个物体被检测出来呢？为此，我们引入了IOU这个概念
目标检测中的IOU计算问题
我们规定IOU > 0.5表示物体被检测出来，否则没有。
现在我们有了这个指标，我们开始跑数据。假设我们已经把网络训练好了，接着找来一张图片测试（这张图片上有四个狗和三只猫），测试结果这样的（我们的目标是找图片中的狗）
标注的数字表示IOU值，我们只选择IOU > 0.5的物体。
那么，这个时候问题又出现了，我们怎么描述我们检测的结果怎么样呢？这个时候就出现了precision和recall。我们先不急着说明这两个概念是什么，我们先看上面的结果，我们发现，我们要找的目标是狗，结果查找的目标中有猫，这显然不是我们希望看到的。我们希望通过一个指标去描述这个问题，所以我们提出了precision，precision是描述查找一个目标的精准率。我们还发现一个问题，就是我们漏找了，明明右上角是一只狗，结果没有找出来，为了表述这个问题，所以我们提出recall，recall是描述查找一个目标的漏检率，recall很多地方翻译为召回率，我更喜欢称它为漏检率或查全率。
我们将被正确识别的狗，称为True positives。我们将被正确识别的猫称为True negatives。为什么会有这个概念？什么是被正确识别的猫？我们知道我们这里的目标是找狗，那么那些我们没有标注的猫，是不是从反向说明我们的查找准确率（precision）呢？接着，我们定义被错误识别为狗的猫为False positives。被错误识别为猫的狗称为False negatives（就是右上角的狗，受IOU指标影响）。这些概念很重要，不要记错了！！！
接着我们就定义
我们就很容易的计算出这里的，
。最后说一点，如果我们把
IOU标准设置为IOU > 0的话，这个时候的recall会越来越接近于1，而相应的precision也会降低，这很容易理解。
另外还有一个概念accuracy
我们这里很容易计算出。最后放一张很经典的图片
0x01 代码
我们这里使用的评估脚本是按照VOC数据集的标准来的，预测结果按如下格式：
<image identifier> <confidence> <left> <top> <right> <buttom>
VOC数据集总共有20类，也就是说，我们最后要得到20个结果文件。例如，对于car，输出结果
comp3_det_test_car.txt:
000004 0.702732 89 112 516 466得到这些文件后，我们可以通过以下脚本，计算对应的mAP
我这里简单提一下脚本中的AP计算问题
def voc_ap(rec, prec, use_07_metric=False):
if use_07_metric:
# 11 point metric
ap = 0.
for t in np.arange(0., 1.1, 0.1):
if np.sum(rec >= t) == 0:
p = 0
else:
p = np.max(prec[rec >= t])
ap = ap + p / 11.
else:
mrec = np.concatenate(([0.], rec, [1.]))
mpre = np.concatenate(([0.], prec, [0.]))
for i in range(mpre.size - 1, 0, -1):
mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
i = np.where(mrec[1:] != mrec[:-1])[0]
ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
return ap我们注意到这里的AP计算有两种
- 11点插值法，这个算法的思路很简单。就是选取0,0.1,0.2…1，这样的11个点，分别对应不同的recall级别，根据不同的级别计算最大precision，然后求出它的平均值。
- 第二种就是我们文中提到的方法
