在深度学习中，mAP是指平均精度均值(mean Average Precision)，它是深度学习中评价模型好坏的一种指标(metric)，特别是在目标检测中。

      精确率和召回率的概念：

      (1).精确率(Precision)：预测阳性结果中实际正确的比例(TP / Total Predictions)，预测正确的百分比，取值范围是[0, 1]。

      (2).召回率(Recall)：实际正样本中被正确预测的比例(TP / Total Ground Truths)，取值范围是[0, 1]。在目标检测任务中，mAP能够综合考虑模型在不同召回率下的性能，从而更全面地评估模型的检测能力。

      P-R曲线就是表示召回率和精确率之间关系的曲线图：如下图所示

      它们的数学定义如下：

      IoU(Intersection over Union，交并比)：是量化两个区域重叠程度的指标，取值范围[0, 1]。我们用它来测量预测边界与真实(ground truth)目标边界的重叠程度，如下图所示：借助IoU阈值，我们可以判断预测是真阳性、假阳性还是假阴性(True Positive, False Positive, or False Negative)。在目标检测中，预测(TP、FP或FN)的正确性是在IoU阈值的帮助下决定的。而在目标分割中，它是通过参考Ground Truth像素来决定的。Ground Truth表示已知目标。

      AP(Average Precision，平均精度)：计算召回率在0到1之间的平均精度值。Average Precision is not the average of Precision。为简单起见，我们可以说它是精度率--召回率曲线(precision-recall curve)下的面积。AP是按类别计算的。

      (1).11点插值法计算AP：11点插值法是在2007年PASCAL VOC挑战赛中引入的。其中，精确率值记录在11个等距召回率值中。以这种方式对精确率/召回率曲线进行插值的目的是减少由于样本排名(ranking of examples)的细微变化而导致的精确率/召回率曲线中的"摆动(wiggles)"的影响。实际上，评估数据集(evaluation dataset)非常巨大，当我们绘制所有预测的图表时，相邻点之间的差异将非常小。因此，11个点插值足以比较两个模型。

      (2).101点插值法计算AP：MS COCO于2014年引入了101点插值AP。它是P-R曲线下AUC(Area Under the Curve)的更好近似值。

      目标检测中计算AP步骤：

      (1).使用模型生成预测分数(置信度)

      (2).将预测分数转换为类标签

      (3).由TP、FP、FN计算精确率和召回率

      (4).计算精度率--召回率曲线下的面积。

      (5).计算AP。

      mAP：在多类别的目标检测任务中，还会计算所有类别AP的平均值，即mAP。mAP = 1/n * sum(AP)，n是类别数

      (1).mAP50：IoU阈值为0.5时的mAP值。

      (2).mAP50-95：IoU阈值从0.5到0.95(步长为0.05)范围内的mAP值，然后计算平均值。

      注：以上整理内容及原图主要来自于以下博文

      https://jonathan-hui.medium.com

      https://learnopencv.com

      GitHub：https://github.com/fengbingchun/NN_Test