前言
map是**Mean Average Precision**的缩写，翻译过来是平均精度的平均。有点绕啊，在理解map之前，先问个为什么要引入map，在分类任务中，常使用精确率和召回率作为评价指标，也称查准率和查全率，这是一个简单直接的统计量。目标检测任务稍有不同的是，即使目标检测器检测到猫和狗，没有定位，这也是没有用的。所以我们评价这个目标检测器的性能，不仅要评价它检测的对不对，还要评价它定位的准确性，这里就引入了map这个指标。
map最早出现在信息检索系统，引入AP是为了衡量相关条目出现在不同位置时搜索结果的差异性。对于目标检测来说，其GT数量不定（一张图片可能有多类多个label），网络输出也不确定（经过NMS输出数量可能大不相同），在这种情况下如何去评价检测模型的性能？肯定不能用分类问题的Accuracy，最直观的想法就是计算PR曲线。
map的定义
经过一系列的训练过后，怎么才能判断我们目标检测训练模型的效果呢，首先我们要有包含标签的验证集，没有标签就没办法评价；其次知道目标检测任务是用来干嘛的，如在植物大战僵尸中，坚果+地雷是绝佳配合。
但是坚果要放在地雷前面才有效果，我们需要检测地雷和坚果以及两者的位置。如下图。
评价目标模型的效果，是要评价出检测的准确性。预测框有三个信息：位置、类别、对应类别的置信度，首先ap计算是分类别计算的，先抽出某一类别的预测框和gt框，分两步：第一步预测框与gt框的匹配，第二步进行相关precision 、recall以及ap的计算。
1.预测框与gt框的匹配
假设预测出的框如下(红色)，先做单一类别的ap计算，抽出坚果的预测框（红色1，2，3，4， 5，6，7）和坚果的真实框。
框完全重合，但是考虑实际中像素级偏差可以忽略，人工标注gt的偏差，很难完全重合，这里使用的是IOU，两个框的交并比，关于IOU的理解可以参见这篇，当然也可以将IOU换成IOU系列的G-IOU，D-IOU等，这样的话就不是单纯的map了，不过可以试试用于自己项目中的评价图片。
先计算各预测框与gt框的IOU值，设IOU阈值为0.5，则过滤掉1、2、4和7框，1，5，7框因为IOU小于阈值，4框虽然和地刺的gt框重合，但是他检测的类别是坚果的，也是不行的，3，5和6均满足IOU值**，一个gt只能匹配到一个预测框(主要用于后面计算recall)，**在一般的目标检测过程中，会先通过nms将预测框过滤掉后再计算map, 这里假设没有过滤完全，取score高的作为匹配框。则3和6框为匹配到的预测框。
匹配完坚果，以同样的方式匹配到地刺。
2. 指标计算
这里先了解下混淆矩阵,这块有点绕，对目标检测来说：
P和N是对应预测框被预测成正样本还是负样本，T和F是预测框预测的对不对，是否被正确的分类，
目标检测中，训练时通过人为定义正负样本，去让模型学习哪些是目标，哪些是背景，如与gt的IOU值高于阈值的图像区域为正样本，小于阈值的图像区域为负样本，有正负样本之分（TN）。在验证测试时，输入是整张图像，只有gt对应的真实正样本，没有真实负样本。先通过置信度阈值来区分预测框为预测正样本还是预测负样本，再对预测为正样本的框，判断是否预测正确。
所有大于置信度阈值的框均为预测正样本（P）,与gt的iou高于iou阈值的为TP，反之为FP。没有预测出来的框都是N，目标检测一般不区分TN和FN。因为目标检测预测对应的框为背景是正确的似乎也没多大意义。因此，目标检测中，一般不考虑TN。
对于坚果类别：
True Positive (TP): 真的正样本，实际为正样本，检测为正样本，目标检测上是IOU>=阈值的检测框，这里的3和6框
False Positive (FP): 假的正样本，实际为负样本，检测为正样本，目标检测上：IOU<阈值的检测框和，或者是检测到同一个GT的多余检测框的数量，这里的1、2、4、5和7框
True Negative (TN): 真的负样本，实际为负样本，检测为负样本，忽略。
False Negative (FN): 假的负样本，实际为正样本，检测为负样本，最下面的那个坚果。
目标检测中的准确率和分类算法中的准确率相同：
召回率：
3. ap 的计算
如何计算每个类别的ap呢，首先ap的定义是PR曲线围成的面积，所以我们需要先求PR曲线，对于PR曲线的采样点，voc10前后有两种不同的方式，voc08只选取Recall >= 0, 0.1, 0.2, …, 1共11个点时的Precision最大值，然后AP就是这11个Precision的平均值，称为Interplolated AP。如我们上面预测的坚果：
在voc10年之后，按照score值从上往下排列，对应的准确率和召回率如下：这里需要注意rank5这个框虽然是score和IOU均满足，但是它因为和6框同属于预测同一个gt框，所以按照score值的大小，将其定义成负样本。
根据上述的PR列表，画图如下：
ap为PR曲线下围城的面积：
1*0.333+（0.25+0.4）*0.333/2 =0.441
voc08是如下这样的图：
ap为：(41+30.4)/11=0.472,两者之间相差3个点，voc08计算ap时简单粗暴，但是有精度上的损失，特别是对样本稀疏的情况下。所以这种方法在2009年的Pascalvoc之后便不再采用了。在Pascal voc 2010之后，便开始采用第一种精度更高的方式。
4. map 计算
在计算完每个类别的ap后，对于整个数据集的map，采用对各类别ap的平均值，这里面有人考虑对整个数据的计算（GT, TP,FP）后，获得整个数据集的ap作为map,这里实际上是不合理的。
举个例子，数据集有A、B两个类，样本量分别占90%、10%；有两个待评估模型①和②，
如果选“加权平均”则会认为①更好，但是①在少数类(B类)的表现太差，所以还是②更好，所以类别的直接平均作为map是合理的。
同时在coco数据集上，使用的也是Interplolated AP的计算方式[1]。与Voc 2008不同的是，为了提高精度，在PR曲线上采样了**101个点**进行计算，
recall = 0.00, 0.01, 0.02 , ⋯, 1.00 时对应的最大precision值，然后计算这101个值得平均值，就得到了该验证集上某类的ap值。
在coco官网上，对map有以下几个评价指标：
第一个map为Iou的阈值从固定的0.5调整为在 0.5 - 0.95 的区间上每隔0.5计算一次AP的值，取所有结果的平均值作为最终的结果。
第二个map为不同尺寸的物体的mAP。包括小物体、中等物体、大物体，后面描述了物体对应的像素值的大小。
第三为平均召回率，和AP相似，但这个不太常用。
3. map的实现
map的实现网上有很多实现方式，这里使用简单的方法：
# 按照置信度降序排序
sorted_ind = np.argsort(-confidence)
BB = BB[sorted_ind, :] # 预测框坐标
image_ids = [image_ids[x] for x in sorted_ind] # 各个预测框的对应图片id
# 便利预测框，并统计TPs和FPs
nd = len(image_ids)
tp = np.zeros(nd)
fp = np.zeros(nd)
for d in range(nd):
R = class_recs[image_ids[d]]
bb = BB[d, :].astype(float)
ovmax = -np.inf
BBGT = R['bbox'].astype(float) # ground truth
if BBGT.size > 0:
# 计算IoU
# intersection
ixmin = np.maximum(BBGT[:, 0], bb[0])
iymin = np.maximum(BBGT[:, 1], bb[1])
ixmax = np.minimum(BBGT[:, 2], bb[2])
iymax = np.minimum(BBGT[:, 3], bb[3])
iw = np.maximum(ixmax - ixmin + 1., 0.)
ih = np.maximum(iymax - iymin + 1., 0.)
inters = iw * ih
# union
uni = ((bb[2] - bb[0] + 1.) * (bb[3] - bb[1] + 1.) +
(BBGT[:, 2] - BBGT[:, 0] + 1.) *
(BBGT[:, 3] - BBGT[:, 1] + 1.) - inters)
overlaps = inters / uni
ovmax = np.max(overlaps)
jmax = np.argmax(overlaps)
# 取最大的IoU
if ovmax > ovthresh: # 是否大于阈值
if not R['difficult'][jmax]: # 非difficult物体
if not R['det'][jmax]: # 未被检测
tp[d] = 1.
R['det'][jmax] = 1 # 标记已被检测
else:
fp[d] = 1.
else:
fp[d] = 1.
# 计算precision recall
fp = np.cumsum(fp)
tp = np.cumsum(tp)
rec = tp / float(npos)
# avoid divide by zero in case the first detection matches a difficult
# ground truth
prec = tp / np.maximum(tp + fp, np.finfo(np.float64).eps)
最终得到一系列的precision和recall值，并且这些值是按照置信度降低排列统计的，可以认为是取不同的置信度阈值（或者rank值）得到的。然后据此可以计算AP：
def voc_ap(rec, prec, use_07_metric=False):
"""Compute VOC AP given precision and recall. If use_07_metric is true, uses
the VOC 07 11-point method (default:False).
"""
if use_07_metric: # 使用07年方法
# 11 个点
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]) # 插值
ap = ap + p / 11.
else: # 新方式，计算所有点
# correct AP calculation
# first append sentinel values at the end
mrec = np.concatenate(([0.], rec, [1.]))
mpre = np.concatenate(([0.], prec, [0.]))
# compute the precision 曲线值（也用了插值）
for i in range(mpre.size - 1, 0, -1):
mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
# to calculate area under PR curve, look for points
# where X axis (recall) changes value
i = np.where(mrec[1:] != mrec[:-1])[0]
# and sum (\Delta recall) * prec
ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
return ap
结语
根据 mAP 的高低，我们只能较为概括地知道网络整体性能的好坏，但比较难分析问题具体在哪。举个例子：如果网络输出的框很贴合，选择合适的 Confidence 阈值时，检出和召回也较均衡，但是目标的类别判断错误较多。由于首先根据类别结果分类处理，只要类别错了，定位、检出和召回都很好，mAP 指标也不会高。但从结果观察，并不能很明确知道，问题出在类别判断上还是定位不准确上面。
mAP 指标关注的点，与实际应用时关注的点，并不完全吻合，mAP 会统计所有 Confidence 值下的 PR值，而实际使用时，会设定一个 Confidence 阈值，低于该阈值的目标会被丢弃，这部分目标在统计 mAP 时也会有一定的贡献。部分针对比赛刷榜的涨点技巧，会关注这部分检测结果对 mAP 的影响。
所以针对具体的目标检测项目需求，map仅仅只能大概的评估模型性能，还需要其他的评价指标。
参考：
参考：
[1] https://github.com/cocodataset/cocoapi/blob/master/PythonAPI/pycocotools/cocoeval.py
[2] https://www.zhihu.com/question/53405779
[3] https://www.cnblogs.com/boligongzhu/p/15065738.html
[4] https://zhuanlan.zhihu.com/p/365840197
