目标检测-AP计算方式

**********************2023年07月01日10:53:43 更新*******************************************

说一下倒数第二张图里绿色第四列为什么是4/7而不是3/6，，首先我们知道第四列求的是精确率中最大的，那么是什么条件下的精确率？——条件是保证该精确率对应的召回率r'大于等于当前召回率r，，，如图绿色那行，当前召回率就是3/6，符合上述条件的精确率有3/6、4/7、4/8……，显然这里数值最大的就是4/7，所以此处是4/7而不是3/6。（我刚开始看也没懂，读了好几遍才明白😂

************************************************************

接下来说说AP的计算，此处参考的是PASCAL  VOC  CHALLENGE的2010年之前计算方法。首先设定一组阈值，[0, 0.1, 0.2, …, 1]。然后对于recall大于每一个阈值（比如recall>0.3），我们都会得到一个对应的最大precision。这样，我们就计算出了11个precision。AP即为这11个precision的平均值。这种方法英文叫做11-point interpolated average precision。​

当然PASCAL VOC CHALLENGE自2010年后就换了另一种计算方法。新的计算方法假设这N个样本中有M个正例，那么我们会得到M个recall值（1/M, 2/M, ..., M/M）,对于每个recall值r，我们可以计算出对应（r' >= r）的最大precision，然后对这M个precision值取平均即得到最后的AP值。计算方法如下：​

相应的Precision-Recall曲线（这条曲线是单调递减的）如下：​

AP衡量的是学出来的模型在每个类别上的好坏，mAP衡量的是学出的模型在所有类别上的好坏，得到AP后mAP的计算就变得很简单了，就是取所有AP的平均值。

 

参考：https://blog.csdn.net/zdh2010xyz/article/details/54293298