mAP@0.5: mean Average Precision（IoU=0.5）

即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP。

mAP@.5:.95（mAP@[.5:.95]）

表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

那AP是什么呢，Average Precision，是单个类别平均精确度，而mAP是所有类别的平均精确度

AP是Precision-Recall Curve曲线下面的面积

曲线面积越大说明AP的值越大，类别的检测精度就越高。Recall官方称为召回率，可以考虑叫做查全率，Precision官网称为准确率叫做查准率，两者是相互矛盾的指标，如果能够较好的平衡两者，将在不同的条件下得到较好的检测效果，也就是图中的曲线面积。
$$Precision=\frac{TP}{TP+FP}$$
$$Recall=\frac{TP}{TP+FN}$$

​其中（混淆矩阵）：
True Positive区域：正样本预测为正样本
False Positive区域：负样本预测为正样本
False Negative区域：正样本预测为负样本
True Negative区域：负样本预测为负样本

预测样本在检测中就是预测框的大小，我们设置的IoU就是指的真实框与预测框的交并比，如果大于阈值就是正确，小于就是错误。

这里强调一下，当我们的样本与GT交并比确定之后，这里还不能确定TP、FP、FN、FN指标，只能说确定了预测正负样本的类别，但不能说真实正确样本的类别。需要通过置信度或者类的预测概率进行确定，主要是设定不同的阈值。这么说可以比较抽象，举个例子

上图是我们生成的预测框与GT样本的IOU计算结果（最右列），根据IOU阈值和计算的IOU值可以确定预测候选框正负样本的类别，但是是否真正为正样本还是负样本，主要取决于置信度的阈值，当我们设置一个置信度阈值时，可以得到对应的一个P和R，通过设置不同的置信度阈值时，就可以得到多个P和R，进一步绘制的PR曲线。

总结一下mAP的计算过程：

1. 设置IoU阈值（简单说，设置预测框与真实框的重叠程度满意度）
2. 计算GT和预测框的IoU，并确定每个预测框的预测值（被预测为正样本还是负样本）
3. 通过设置置信度阈值（或者检测类别概率）得到不同的TP,TN,FP,FN计算P和R，绘制PR曲线，计算曲线的面积（根据点的坐标进行计算，如果同一个R有对应2个P，计算最大的即可）
4. 完成！！！

在Yolo系列中，mAP@.5效果还是不错的，但mAP@.5:0.95的效果较差，可能是IoU的值设定过高对于检测框的位置要求也过高，同时，ground truth也是认为标定的，也没法说明高精度性。（有点偏袒yolo系列=_=）!!