对于目标检测中[email protected]的理解
前言
一直不是很理解目标检测中的mAP是如何的，今天具体来写一下，加深一下理解。
[email protected]
[email protected]：mean Average Precision
通俗来说，就是给每一类分别计算AP，然后做mean平均。
那AP是什么呢，之前我一直以为是Average Precision，没错，就是平均精确度，可是这个怎么定义呢？
AP是Precision-Recall Curve(PRC)下面的面积！！！
PRC怎么看：先看平滑不平滑（蓝线明显好些），在看谁上谁下（同一测试集上），一般来说，上面的比下面的好（绿线比红线好）。
接下来来想一下Precision和Recall怎么定义。
之前都知道：
其中：
True Positive区域：与Ground truth区域的IoU>=0.5的
False Positive区域：IoU < 0.5的
False Negative区域：遗漏的Ground truth区域
True Negative区域：没法算，为啥呢？因为没有标框的地方无法界定啊。
理一下思路
在目标检测中，Precision就是检测出来的框的数目（或者是面积吧），除以一共画出来的框。比如说有时候你预测出来10个框，只有5个是正确的，那Precision就是5/10 = 50%。这个只是简单的比喻，可能里面会有细节上的错误。
然后Recall就是预测出来的正确的框，除以正确的框再加上没有预测出来的ground truth的框。距离来说就是，假设你有10个类别，你预测了6个框，6个框全中了，但是还有4个没框的，这时候Recall就是6/10=60%。
另外一个点就是，为什么Precision和Recall值是矛盾的呢？ 我理一下思路，来个极端的例子，假如有10个物体需要被检测出来，我只预测出一个框，并且是正确的，那我的Precision就是100%，但是recall值却很低为1/10 = 10%。