学习YOLO的过程中遇到了mAP指标，在网上看了很多关于mAP的讲解，不是很理解其计算过程，于是总结了各个帖子及自己的理解，给出mAP计算的规律，这样就能很好的记忆。
目录
[一、P（精确率）、R（召回率）和F1 Score](#一、P（精确率）、R（召回率）和F1 Score)
一、P（精确率）、R（召回率）和F1 Score
-
True Positive(TP): 预测对了。预测为正，实际为正。
-
False Negative(FN): 预测错了。 预测为负，实际为正。
-
False Positive(FP): 预测错了。预测为正，实际为负。
-
True Negative(TN): 预测对了。预测为负，实际为负。（在目标检测问题中，由于模型通常不会明确标记非目标的所有背景区域，所以通常不会计算TN）
有T就是对，有F就是错。
P: Precision，精确率，也叫查准率。预测为正类的样本中确实为正类的比例。
R：Recall，召回率，也叫查全率。所有实际正类中，有多少正类被预测出来。
F1 Score：是精确率和召回率的调和平均数，是一种兼顾精确率和召回率的综合指标。
举个例子：一张图片中总共有10只猫咪，模型显示检测到了5只猫咪，但是检测到的其中只有4个是猫咪，另外一只实际上是小狗。
此时TP=4（检测到的4只猫咪是真猫咪），FN=6（没能检测到剩下的真实的6只猫咪）, FP=1（误将1只小狗检测成小猫）。
此时P = 4/5 = 0.8，R = 4/10 = 0.6，F1 Score = 2X(0.8X0.6)/(0.8+0.6) = 0.686。
一般来说，P 和 R 是相互制约的，一个越高另一个就越低。
因为查准率只关注预测出的正类中有多少是真的，而查全率关注实际上所有的正类中模型检测出来多少。如果我的模型只关注查全率不关注查准率，我将所有物体都识别为正类，那么确实所有小猫都检测到了，但是不准确。
二、PR曲线
当你训练好一个分类算法后，它会对每个输入样本给出一个置信度评分，这个评分表示该样本是正类的概率。例如，算法认为样本A有99%的可能性是正类，而样本B只有1%的可能性是正类。
我们设定一个阈值，比如50%，来决定哪个样本被划分为正类，哪个样本被划分为负类。如果一个样本的置信度评分超过50%，我们就把它看作是正类；如果低于50%，则视为负类。
然后，可以按照置信度评分对所有样本进行排序。从置信度最高的样本开始，每次选取一个样本作为新的阈值。例如，首先选择置信度最高的样本A作为阈值，那么所有比样本A置信度高的样本都被认为是正类，其他样本则是负类。接着，计算当前状态下模型的精确率和召回率。
接着，继续选择下一个置信度稍低的样本B作为阈值，再次计算精确率和召回率。重复这个过程，直到遍历完所有样本。这样，就得到了一系列的精确率和召回率值，每个值对应着一个不同的阈值。
最后，把这些精确率和召回率值连接起来，就形成了一个 PR 曲线。这条曲线显示了随着阈值的变化，模型的精确率和召回率是如何变化的。
随着阈值的下降，recall值是递增的（但并非严格递增），因为实际为正类的对象会越来越多的被检测为正类，不会减少 。而精确率precision并非递减，而是有可能振荡的，虽然正例被判为正例的变多，但负例被判为正例的也变多了，因此precision会振荡，但整体趋势是下降。
三、AP和mAP
虽然 PR 曲线提供了关于模型性能的直观信息，但它并没有提供一个单一的数值来概括整个曲线的表现。
平均精度（Average Precision, AP）平均精度是一种统计量，AP 是 PR 曲线上各点的精确率的平均值，每个精确率值乘以其对应的召回率的增量。。
口语化解释就是：
通过选取每个recall及其对应的precision，绘制出PR曲线。然后，对于每个recall值，计算下一个recall与当前recall之间的差值，并乘以从当前recall到之后的所有recall对应的最大precision值。重复这一过程直到遍历所有recall值，将这些值相加就得到了某个类别的AP (Average Precision)。（recall相同的点去precision最高的点）
举个图中特殊的点（框起来那个），此时下一个recall为0.71，当前recall为0.57，从当前recall开始（包括当前recall）一直到最后的recall中对应的precision最高为0.71，所以为（0.71-0.57）*0.71。
mAP：得到了不同类别的AP，取这些AP的平均值就是mAP。