如何衡量目标检测算法的优劣
目标检测(object detection)问题相对于一般AI分类问题更加复杂，不仅检测出目标，输出目标的类别，还要定位出目标的位置。分类问题中的简单accuray指标已经不能反映出目标检测问题结果的准确度，而mAP (Mean Average Precision)就是被用来衡量目标检测算法优劣的常用指标。
要理解什么是mAP，需要先澄清什么是Precision(查准率)和Recall(查全率)。
1. mAP相关概念
1.1 正例与负例
假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）。T表示预测正确，F表示预测错误。
然后我们就能得到如下的四种情况：
（1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；
（2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
（3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
（4）True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
1.2 P（精确率）
P 代表 precision，即精确率，又称为查准率。精确率表示预测样本中实际正样本数占所有正样本数的比例，计算公式为：
精确率 = 正确预测样本中实际正样本数 / 所有的正样本数
即 precision = TP/（TP+FP）；
1.3 R（查全率）
R 代表 recall ，即召回率，召回率表示预测样本中实际正样本数占所有预测的样本的比例，计算公式为：
召回率 = 正确预测样本中实际正样本数 /实际的正样本数
即 Recall = TP/(TP+FN) ；
一般来说，召回率越高，准确率越低。
查全率和查准率通常是一对矛盾的度量，一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。
1.4 IoU指标
目标检测问题中，算法通常输出一个预测框来标识检出目标的位置，要衡量这个预测框与目标的实际位置(ground truth)的准确度，可以使用IoU指标。
交并比IoU(Intersection over union)：交并比IoU衡量的是两个区域的重叠程度，是两个区域重叠部分面积占二者总面积(重叠部分只计算一次)的比例。目标检测中IoU就是预测框与实际框的交集除以并集。
我们可以设置一个IoU阈值(threshold)，通常是0.5，预测结果可以分为：
（1）如果IoU >= 0.5
如果预测类别也正确，认为是一个好的预测，分类为TP
如果预测类别错误，认为是一个坏的预测，分类为FP
（2）如果IoU < 0.5, 认为是一个坏的预测，分类为FP
如果一个目标出现在图像中，但是算法未检出，分类为FN
TN(图像上所有不包含实际框和检测框的部分)通常计算中用不到。
1.4 ACC（准确率）
ACC 代表 Accuracy，即准确率，准确率表示预测样本中预测正确数占所有样本数的比例，计算公式为：
准确率 = 预测样本中所有被正确分类的样本数 / 所有的样本数
即 ACC = （TP+TN）/（TP+FP+TN+FN）；
1.5 AP（平均精确度）
AP 代表 *Average Precision*，即平均精确度，是单个类别平均精确度。
对于目标检测任务而言，每一个类都可以计算出其Precision和Recall，通过合理的计算，每个类都可以得到一条P-R曲线，曲线下的面积就是AP的值。
计算面积：
即：AP = A1 + A2 + A3 + A4
2. mAP
2.1 mAP简介
而mAP是 Mean Average Precision 的缩写，是所有类别的平均精确度mAP ,即 均值平均精度。
作为目标检测中衡量检测精度的指标。
计算公式为：mAP = 所有类别的平均精度求和除以所有类别。
2.2 mAP_0.5
即将IoU阈值设为0.5时求出的mAP。
2.3 mAP_0.5:0.95
表示在不同IoU阈值（从0.5到0.95，步长0.05）上的平均mAP。