由于部分行间公式渲染不成功，公式完整版请移步个人博客

mAP：识别准确率

mAP在目标检测中用于判断识别的准确率，即用于衡量物品被检测出的概率，其跟以下两个指标有关：

• Precision（准确率）：检测出的“物品有多少是真的物品
• Recall（召回率）：数据集中的物品有多少被检出

对于以上两个概念，将其置于标准二分类问题框架下有以下公式：

$$
Precision = \cfrac{TP}{TP+FP} \\
Recall = \cfrac{TP}{TP+FN}
$$

对于以上，有：

• TP：正例，被识别为正例
• FP：反例，被识别为正例
• TN：反例，被识别为正例
• FN：正例，被识别为反例

对于不同的识别阈值，Precision和Recall会发生变化，选取多个阈值（不重新训练模型），可以获得多组Precision和Recall，将这数据绘制图像，横轴为Recall，纵轴为Precision，曲线下的面积为参数AP

map.png

多次测试取平均值即为参数mAP值，该值越大说明系统性能越强

IOU：检测效果

通俗来说，IOU用于衡量目标检测中目标框的准不准，其定义为：

$$
IOU = \cfrac{A \bigcap B}{A \bigcup B}
$$

其中A为系统预测出的框，B为数据本身的标注框，IOU衡量了预测出的框和原来的框的重叠程度，如下图所示，IOU就是阴影部分面积比整个AB组合的面积。

iou.png