1. MAP的物理意義
平均精度的意義是將各個召回率下準確率取平均，這個平均準確率可以衡量目標檢測模型的性能，卻不能直觀地知道實際測試時特定置信度下準確率和召回率。只考慮大於特定置信度閾值下的正檢和錯檢，可得到相應的準確率和召回率
2. MAP的計算方法
map即平均精度均值，平均精度，也就是平均準確率，把準確率取個平均。把哪幾個準確率取平均呢，接下來將闡述是把哪幾個準確率取平均，以及這些準確率是怎麼算的。
引用這篇博客的例子：
有3張圖如下，要求算法找出face。藍色框代表標籤label，綠色框代表算法給出的結果pre，旁邊的紅色小字代表置信度。設定第一張圖的檢出框叫pre1，第一張的標籤框叫label1。第二張、第三張同理。
1.根據IOU計算TP,FP
首先我們計算每張圖的pre和label的IOU，根據IOU是否大於0.5來判斷該pre是屬於TP還是屬於FP。顯而易見，pre1是TP，pre2是FP，pre3是TP。
2.排序
根據每個pre的置信度進行從高到低排序，這裏pre1、pre2、pre3置信度剛好就是從高到低。
3.在不同置信度閾值下獲得Precision和Recall
首先，設置閾值爲0.9，無視所有小於0.9的pre。那麼檢測器檢出的所有框pre即TP+FP=1，並且pre1是TP，那麼Precision=1/1。因爲所有的label=3，所以Recall=1/3。這樣就得到一組P、R值。
然後，設置閾值爲0.8，無視所有小於0.8的pre。那麼檢測器檢出的所有框pre即TP+FP=2，因爲pre1是TP，pre2是FP，那麼Precision=1/2=0.5。因爲所有的label=3，所以Recall=1/3=0.33。這樣就又得到一組P、R值。
再然後，設置閾值爲0.7，無視所有小於0.7的pre。那麼檢測器檢出的所有框pre即TP+FP=3，因爲pre1是TP，pre2是FP，pre3是TP，那麼Precision=2/3=0.67。因爲所有的label=3，所以Recall=2/3=0.67。這樣就又得到一組P、R值。
4.繪製PR曲線並計算AP值
根據上面3組PR值繪製PR曲線如下。然後每個“峯值點”往左畫一條線段直到與上一個峯值點的垂直線相交。這樣畫出來的紅色線段與座標軸圍起來的面積就是AP值。
3. 總結
平均精度是把各個檢測到正確樣本（置信度從高到低排序）當成正樣本（以它的置信度爲置信度閾值）時，此時計算得到的系統的準確率加起來，除以ground truth中的正樣本數目。
圖中的PR曲線理解：
垂直下降的原因是下一個樣本是負樣本，把該樣本考慮進去並不能增加召回率，會降低準確率。斜向上增加的原因是下一個樣本是正樣本，把該樣本考慮進去既能增加召回率，也能增加準確率。