平均精度均值 mAP 是什么？目标检测最常用的评价指标

平均精度均值（mean Average Precision，mAP）是目标检测任务中最广泛使用的性能指标。它通过综合考虑不同置信度阈值下的精确率和召回率，来衡量一个目标检测模型的整体准确性。它也被用于信息检索和推荐系统等领域。

为什么需要它

评价目标检测模型比评价分类模型复杂得多：一张图中可能有多个物体，模型需要同时判断“是什么”（类别对不对）和“在哪里”（框的位置准不准）；模型会对每个检测结果给出一个置信度，设置不同的置信度阈值，得到的检测结果也不同。我们需要一个能综合反映这些方面的单一数字，方便比较不同的模型。

怎么计算

第一步，判断每个检测结果是否正确：通常用交并比（IoU）来衡量预测框和真实框的重叠程度，如果重叠程度超过某个阈值，比如 0.5，并且类别正确，就算作一个正确的检测（真阳性），否则算作错误的检测（假阳性）；没有被检测到的真实物体算作漏检。

第二步，计算每个类别的平均精度（AP）：把模型对某个类别的所有检测结果按置信度从高到低排列，逐个往下看，每多看一个结果，就计算一次此时的精确率（检测到的结果中有多少是对的）和召回率（所有真实物体中有多少被找到了）。以召回率为横轴、精确率为纵轴画出一条曲线，叫精确率-召回率曲线。这条曲线下的面积，就是这个类别的平均精度。AP 越高，说明模型在这个类别上既能找得全、又能找得准。

第三步，求平均：把所有类别的 AP 求平均值，就得到了 mAP。

不同的口径

不同的数据集和基准对 mAP 的计算方式略有不同，比较时需要注意口径一致。PASCAL VOC 数据集通常使用 0.5 的交并比阈值，记作 mAP@0.5。COCO 数据集更严格，它在 0.5 到 0.95 之间每隔 0.05 取一个交并比阈值，共 10 个阈值，分别计算 mAP 后再取平均，记作 mAP@[0.5:0.95]，这要求检测框的位置更加精确。COCO 还会分别报告小、中、大物体的 mAP。mAP 是比较 YOLO、Faster R-CNN、DETR 等目标检测模型时最常引用的指标，在实际应用中，通常还要结合推理速度一起考虑。