计算方法)
理解 mAP，最关键的是先理解 PR 曲线（Precision-Recall Curve，精确率-召回率曲线）。PR 曲线描述：当我们不断调整目标检测模型的置信度阈值时，模型的精确率和召回率如何变化；AP 则是对这条曲线进行综合计算得到的指标，mAP 再对多个类别的 AP 求平均。
一、先从一个船舶检测例子理解
1. 先理解 Precision、Recall 和 IoU
IoU：预测框与真实框有多重合？
IoU（Intersection over Union，交并比）衡量预测框和真实标注框的重叠程度。
IoU=预测框与真实框的交集面积预测框与真实框的并集面积 IoU=\frac{\text{预测框与真实框的交集面积}} {\text{预测框与真实框的并集面积}}IoU=预测框与真实框的并集面积预测框与真实框的交集面积
高 IoU: 预测框和真实框高度重合，位置较准确。
低 IoU: 预测框偏移较大，与真实目标的重叠程度较低。
例如，某个预测框与真实框的交集面积为 80，两个框的并集面积为 100，则：
IoU=80100=0.8 IoU=\frac{80}{100}=0.8IoU=10080=0.8
在常见的 mAP@0.5 评估中，如果预测类别正确，且 IoU 达到 0.5 或以上，这个预测才可能被判为正确检测（TP）。具体还要考虑同一个目标是否已经被其他预测匹配。
Precision：预测出来的目标有多少是真的？
Precision=TPTP+FP Precision=\frac{TP}{TP+FP}Precision=TP+FPTP
- TP：正确检测到的目标。
- FP：误检，即模型预测有目标，但没有正确匹配到真实目标。
例如，模型预测了 10 艘船，其中 8 个预测符合评估规则，则 Precision 为 80%。
Recall：真实存在的目标有多少被找到了？
Recall=TPTP+FN Recall=\frac{TP}{TP+FN}Recall=TP+FNTP
- FN：漏检，即真实存在的目标没有被正确检测出来。
例如，图像中有 20 艘真实船舶，模型只检测出 15 艘，则 Recall 为 75%。
Precision 和 Recall 存在权衡：降低检测置信度阈值，通常能找出更多目标，但也可能引入更多误检。
假设一组评测图片中一共有 10 艘真实船舶
模型预测了很多候选框，每个框都有一个置信度，表示模型认为它是船舶的程度。
例如：
- 置信度为 0.95：模型认为这个框有 95% 的把握是船舶。
- 置信度为 0.60：模型认为这个框有 60% 的把握是船舶。
这里的置信度不是经过校准后必然准确的概率，而是模型输出的检测分数。
我们可以设置不同的置信度阈值，只保留分数达到阈值的预测框，然后计算 Precision 和 Recall。
Precision=TPTP+FP Precision=\frac{TP}{TP+FP}Precision=TP+FPTP
Recall=TPTP+FN Recall=\frac{TP}{TP+FN}Recall=TP+FNTP
其中：
- TP：正确检测到的船舶数量（True Positive）。
- FP：误检出来的目标数量 （False Positive）。
- FN：没有检测到的真实船舶数量 （False Negative）。
举个例子，阈值设为 0.7 时，模型保留5 个预测框，其中 4 个正确匹配真实船舶，那么：
Precision=45=0.8 Precision=\frac{4}{5}=0.8Precision=54=0.8
如果这 4 个正确检测覆盖了10 艘真实船舶中的 4 艘，那么：
Recall=410=0.4 Recall=\frac{4}{10}=0.4Recall=104=0.4
因此，这个阈值对应 PR 曲线上的一个点：(Recall,Precision)=(0.4,0.8)(Recall, Precision)=(0.4,0.8)(Recall,Precision)=(0.4,0.8)。
二、PR 曲线示例图
下面这张图是一个示意性的船舶检测 PR 曲线。横轴是 Recall，纵轴是 Precision。
示意图用于辅助理解曲线形状；下面的数值例子和计算以明确给出的数据为准。
也可以查看这张由示例数据绘制的曲线：
PR 曲线示例图
怎么理解这条曲线？
- 左上角越好：Precision 和 Recall 都高，误检少，同时漏检也少。
- 向右移动：Recall 增大，通常意味着降低置信度阈值，找出更多真实目标。
- 向下移动：Precision 降低，说明加入的低置信度预测中，可能有更多误检。
- 曲线越靠近右上角，通常检测性能越好。
注意：PR 曲线并不一定严格单调下降，因为真实检测结果中的预测分数、误检和漏检的排列会影响曲线形状。
三、AP 怎么计算？为什么说它是曲线下面积？
AP 是 Average Precision。直观上，它衡量整个 PR 曲线的综合表现，而不是只看一个阈值下的 Precision。
AP≈∫01P(R),dR AP \approx \int_0^1 P(R)\\,dRAP≈∫01P(R),dR
其中：
- RRR是 Recall。
- P(R)P(R)P(R)是对应 Recall 下的 Precision。
可以把 AP 理解成：沿着横轴 Recall 从 0 走到 1，把曲线下方的面积累积起来。
为了简单说明，我们用一组离散数据计算。假设某船舶类别得到如下 PR 点：
| Recall | Precision |
|---|---|
| 0.0 | 1.00 |
| 0.2 | 0.95 |
| 0.4 | 0.90 |
| 0.6 | 0.80 |
| 0.8 | 0.60 |
| 1.0 | 0.30 |
如果用梯形法近似计算曲线面积：
AP≈∑iPi+P_i+12(R_i+1−Ri) AP\approx\sum_i \frac{P_i+P\_{i+1}}{2}(R\_{i+1}-R_i)AP≈i∑2Pi+P_i+1(R_i+1−Ri)
逐段计算：
AP≈0.195+0.185+0.170 +0.140+0.090 =0.780 \begin{aligned} AP \approx {}& 0.195+0.185+0.170\\\ &+0.140+0.090\\\ ={}&0.780 \end{aligned}AP≈=0.195+0.185+0.170+0.140+0.0900.780
因此，这个示例的梯形面积约为 0.78，即 78%。
需要强调：这只是为了教学而使用的梯形积分示例。实际目标检测评估中，AP 的具体计算方式取决于评测协议。例如，VOC 的不同版本和 COCO 都可能使用不同的插值与积分规则，所以不能仅凭几个采样点就认定真实模型的 AP。
四、mAP 怎么计算？
如果只检测一个类别，例如只有ship，那么在相同评测协议下，mAP 就等于这个类别的 AP。
如果检测多个类别，则先分别计算每个类别的 AP，再取平均：
mAP=1C∑_c=1CAPc mAP=\frac{1}{C}\sum\_{c=1}^{C} AP_cmAP=C1∑_c=1CAPc
假设某模型的结果如下：
| 类别 | AP |
|---|---|
| 货船 | 0.90 |
| 快艇 | 0.80 |
| 油轮 | 0.70 |
则：
mAP=0.90+0.80+0.703=0.80 mAP=\frac{0.90+0.80+0.70}{3}=0.80mAP=30.90+0.80+0.70=0.80
也就是 mAP 为 80%。
另外，目标检测中的 AP 和 mAP 通常还要指定 IoU 阈值。比如：
- mAP@0.5：IoU 阈值为 0.5 时，各类别 AP 的平均值。
- mAP@0.5:0.95：分别在 0.50、0.55、……、0.95 的 IoU 阈值下计算 mAP，再对这些结果求平均。
所以，在面试中听到“mAP 提升了 8 个百分点”，一定要追问：究竟是哪种 mAP？从多少提升到多少？评测集是否固定？ 只有把这些条件说清楚，才能判断这个提升是否可信。
