一、前言

繼上篇先了解Precision and Recall以及更之前的IoU後，相信大家對這幾個指標較為不那麼陌生了，那接著就來介紹最後一項指標 mAP。

二、AP(Average Precision)

在這之前，首先要先了解AP(Average Precision)，AP適用來衡量模型在一個套定類別下精確率和召回的綜合表現。

• Precision-Recall曲線：在不同的閾值下繪製精確率和召回率的變化曲線。
• AP計算：AP 是這條曲線下方的面積，也就是積分值。這個面積反映了模型在各個閾值下的平均表現，越大表示模型的表現越好。

三、mAP（Mean Average Precision）

mAP 是在多類別檢測任務中，所有類別的AP的平均值。

• 對每個類別計算AP：對於每個檢測類別（如貓、狗、車等），計算該類別的AP。
• 計算所有類別的平均值：將所有類別的AP求平均，得到mAP。

計算的公式如下：

其中 是檢測類別的數量 是第 i 類的AP。

舉個例子，假設有一個模型用於檢測三種類別的物體：貓、狗和車。經過計算，這三個類別的AP分別為0.8、0.7和0.9。那麼這個模型的mAP就是這三個AP的平均值：

這表示模型在這三個類別上的整體性能大約是80%。

這樣一來，相信大家對於mAP會有更深入的了解。