平均精度（Average Precision，mAP）是一种常用的用于评估目标检测模型性能的指标。在目标检测任务中，模型需要识别图像中的不同目标，并返回它们的边界框（bounding box）和类别。mAP用于综合考虑模型在不同类别上的准确度和召回率。
基本知识
IOU (Intersection Over Union)是一种基于Jaccard Index的度量，用于评估两个边界框之间的重叠。它需要一个真实边界框和一个预测的边界框。
通过IOU，可以判断检测是否有效或无效。IOU由预测边界框与地面真实边界框的重叠面积除以两者的并集面积得到:
这里的Bp是预测框，Bgt是真实的边框
下图显示了真实边界框(绿色)和检测到的边界框(红色)之间的IOU。
指标使用的一些基本概念:
- TP（True Positive）：真正例，表示模型正确地将正样本分类为正样本。也就是模型预测为正样本且实际上是正样本的数量。
- FP（False Positive）：假正例，表示模型错误地将负样本分类为正样本。也就是模型预测为正样本但实际上是负样本的数量。
- FN（False Negative）：假反例，表示模型错误地将正样本分类为负样本。也就是模型预测为负样本但实际上是正样本的数量。
- TN（True Negative）：真反例，表示模型正确地将负样本分类为负样本。也就是模型预测为负样本且实际上是负样本的数量。
https://avoid.overfit.cn/post/13fa0eac9b894c5e922a6d07559833c6
标签：mAP,边界,模型,样本,召回,IOU,精度,预测 From： https://www.cnblogs.com/deephub/p/17437850.html