记录在CSDN博客上看到的关于mAP讲解的精彩内容
首先作为目标检测的重要通用指标mAP，用于衡量算法模型对于数据集中指定目标进行检测的准确程度，这个准确程度有两层含义：第一个指分类的精确程度（pricision）；第二个指预测框的准确程度（IOU）。
一般理解mAP需要先理解什么是pricision，什么是recall，这个可以看文末的博客，有很生动的例子，而且其来源是基于检索模型的metric，根据不同的查询结果（多个rank），不同的query序列的PR曲线进行计算得来。
目标检测的mAP计算，是将模型的输出（被认为是一个包含分类结果，confidence置信度，与目标框坐标的rank list）的所有判断为正例的精确度（AP），进行多目标的平均，即mAP。
计算mAP的python代码：
def voc_ap(self, rec, prec, use_07_metric=True):
if use_07_metric:
ap = 0.
# 2010年以前按recall等间隔取11个不同点处的精度值做平均(0., 0.1, 0.2, …, 0.9, 1.0)
for t in np.arange(0., 1.1, 0.1):
if np.sum(rec >= t) == 0:
p = 0
else:
# 取最大值等价于2010以后先计算包络线的操作，保证precise非减
p = np.max(prec[rec >= t])
ap = ap + p / 11.
else:
# 2010年以后取所有不同的recall对应的点处的精度值做平均
# first append sentinel values at the end
mrec = np.concatenate(([0.], rec, [1.]))
mpre = np.concatenate(([0.], prec, [0.]))
# 计算包络线，从后往前取最大保证precise非减
for i in range(mpre.size - 1, 0, -1):
mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
# 找出所有检测结果中recall不同的点
i = np.where(mrec[1:] != mrec[:-1])[0]
# and sum (\Delta recall) * prec
# 用recall的间隔对精度作加权平均
ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
return ap
内容通过阅读以下文章进行总结：
https://blog.csdn.net/asasasaababab/article/details/79994920