平均平均精度解释答案

【问题标题】：Mean Average Precision interpretation平均平均精度解释
【发布时间】：2020-09-30 16:57:15
【问题描述】：

我有一个关于如何解释这个 mAP 指标的问题，例如，如果物体检测器的 mAP 为 48。这是一个好的结果吗？或者如果你的 AP 为 50，有什么不同？

他又回到了IoU，会不会是mAP50，意思是它检测到了IoU为50（几乎一半）的照片，所以图像不会检测到所有东西，但它会不会给出不可靠的结果?

欢迎任何帮助。

【问题讨论】：

【解决方案1】：

我建议你阅读这篇文章Intuition behind Average Precision and MAP[1] 和Breaking Down Mean Average Precision (mAP)，我觉得它们很有帮助。但是，48 AP 和 50 AP 的区别在于 50 AP 稍微好一点。这是[1]的一小部分：

“例如，假设我们正在搜索一朵花的图像，并且我们向我们的图像检索系统提供了一张玫瑰的样本图片（查询），我们确实得到了一堆排序的图像（从最可能到最不可能） .通常不是所有的都是正确的。所以我们计算每一个正确返回的图像的精度，然后取一个平均值。如果我们返回的结果是

1, 0, 0, 1, 1, 1

那么每个正确点的精度是：到目前为止遇到了多少正确图像（包括当前）除以到目前为止看到的总图像。

1/1, 0, 0, 2/4, 3/5, 4/6

其中 1 是花的图像，而 0 不是。上述示例的 AP 为 0.6917。
一种简单的解释方法是产生一个 0 和 1 的组合，这将给出所需的 AP： 0.5 的 AP 可能会产生类似的结果

0, 1, 0, 1, 0, 1, ...

每一秒的图像都是正确的，而 0.333 的 AP 有

0, 0, 1, 0, 0, 1, 0, 0, 1, ...

每三张图片都是正确的..."

【讨论】：

感谢您的解释和参考！我很清楚，但我还有一个问题，如果我的 mAP 是 mAP75 是指什么会考虑具有 75 IoU 的好图像？
@Sebastián 如果你使用mAP@75，那么这意味着在计算精确召回曲线的TP和FP期间，你取IoU = 0.75。这意味着你对边界框相交采取了更严格的要求（相比 IoU = 0.5）