CNN的各种知识点（五）：平均精度均值（mean Average Precision, mAP）

1. 平均精度均值（mean Average Precision, mAP）

概念：

mAP是目标检测中最常用的评估指标，综合反映模型在不同召回率下的平均精度表现。其核心是计算每个类别的平均精度（AP），然后对所有类别的AP取平均。

计算步骤：

1. 对每个类别：
   • 收集所有检测结果，按置信度降序排序
   • 计算不同置信度阈值下的精确率（Precision）和召回率（Recall）
   • 绘制P-R曲线，计算曲线下面积（AP）
2. 对所有类别的AP取平均得到mAP

具体例子：

假设类别"cat"的检测情况：

• 真实框数量：5
• 检测结果（已按置信度排序）：

是否正确	置信度
True	0.95
False	0.85
True	0.8
True	0.7
False	0.65
False	0.6

计算步骤：

1. 累计统计：

   • 阈值0.95：TP=1, FP=0 → P=1.0, R=0.2
   • 阈值0.85：TP=1, FP=1 → P=0.5, R=0.2
   • 阈值0.8：TP=2, FP=1 → P=0.67, R=0.4
   • …（依次类推）

2. 绘制P-R曲线并计算AP（采用插值法）：

   • 在COCO标准中，使用101个插值点计算面积
   • 在VOC标准中，使用11点插值法

重要说明：

1. IoU阈值设定：

   • mAP@0.5：IoU阈值为0.5
   • mAP@0.5:0.95：IoU从0.5到0.95，步长0.05的平均值

2. 不同数据集的差异：

   • COCO mAP：使用80个类别，101点插值
   • VOC mAP：使用20个类别，11点插值

典型值范围：

• 优秀模型：COCO mAP@0.5:0.95约50+
• 基准模型：YOLOv5s约37.4
• 经典模型：Faster R-CNN约42.0

总结：

mAP是评估模型性能的核心指标。实际应用中需要注意：

1. 对比模型性能时需确保使用相同的mAP计算标准
2. 不同检测任务（行人检测、车辆检测等）的典型mAP值差异较大