前言：該博客沒有進行IOU Precision Recall等指標的計算講解，默認這些基本知識已經掌握，這裏只對 map 中比較難懂且和其他博客中存在歧義的部分進行講解。
目標檢測中的 map 計算：
舉個栗子：
Image 1：預測出了5個框（在一定的閾值下，且經過了NMS等處理），真實的標註信息只有三個框（也就是隻能有3個correct 框），將5個預測框通過置信度進行排序，然後分別從上至下計算 precision 和 recall ，得到這些值就可以繪製 P-R 曲線了，計算面積就是最終的AP值（這裏計算的就是該張圖像的AP值，一般以batch爲單位計算）。
上面提到的說計算P-R曲線圍成的面積，這裏有一點需要注意，直接計算面積比較麻煩，常見的作法是進行平滑，recall的值不動(x 軸)，將precision 的值用其之後的最大值進行替換，類似下面這樣：
原始 P-R 曲線：
平滑後 P-R 曲線：
使用 11 點法進行 AP 的計算（或者直接計算也可以）：
11點法的計算： (41+60.75+0.6*1)/11 = 0.827
note: 一個 batch 內的怎麼計算，將所有圖像的 預測框輸出按照 置信度 進行排序，然後進行同樣的計算。
二、圖像檢索中的 map 計算：
map@5：其表達的意思和 top-5 相同，前五個預測概率輸出的 map
計算方式和上述一樣，但是有一點不一樣的是：預測輸出和真實的label都是固定的大小，比如在目標檢測（OB）中，真實框的個數和預測框的個數往往是不相同的，但是這裏一般是相同的，即人工取前五個。
這裏說一個特殊的例子：（非特殊的和上述計算方式相同）
特殊且常見場景：在五個預測輸出中只有一個正確（比如輸出爲：五個人的名字ID，其中只有一個是正確的，或者輸出爲五個類別：狗貓飛機等，但真實的只屬於其中的一個）
計算方式直接計算 precision 即可，如下圖：
參考資料：kaggle中一個 whale 計算方式notebook資料鏈接
你可以嘗試用上述目標檢測中提到的方式進行計算，結果是一樣的，其中的道理也是一樣的，只不過簡化了計算流程（在很多的博客中介紹的AP就是這樣的計算方式-因爲這種場景很常見）