Mean Average Precision（平均精度均值）

mAP 将精确率（Precision）与召回率（Recall）的权衡浓缩进单一指标，广泛用于信息检索、推荐系统与目标检测的模型评估。

• 精确率：预测为正例中真正为正例的比例
• 召回率：所有真正正例中被检测到的比例
• AP（Average Precision）：单类别精确率-召回率曲线下的面积，值域 [0, 1]
• mAP：所有类别或查询的 AP 均值，是跨类别综合评估的标准指标
• 分数越高，代表模型在所有类别上精准率与召回率的综合表现越好

mAP 的计算需按类别分别构建精确率-召回率曲线，再积分取均值。

• 步骤一：对每个类别，按置信度从高到低对预测结果排序
• 步骤二：依次纳入每条预测，判断是否命中（IoU ≥ 阈值且类别正确），更新当前精确率和召回率，得到一组 (Recall, Precision) 点
• 步骤三：计算该类别的 AP，即精确率-召回率曲线下面积（面积越大越好）
• 步骤四：对所有 N 个类别的 AP 取均值，得到 mAP = (1/N) Σ APᵢ
• PASCAL VOC 2007 使用 11 点插值法；VOC 2010+ 及 COCO 使用全点积分（更精确）

不同评测基准对 mAP 的计算口径存在差异，比较时须明确版本。

• mAP@0.5（VOC 协议）：IoU 阈值固定为 0.5，检测框与真值框重叠超过 50% 即视为命中，标准相对宽松
• mAP@0.5:0.05:0.95（COCO 协议）：在 0.5~0.95 共 10 个 IoU 阈值下各算一次 mAP 再取均值，对定位精度要求更严格
• mAP@小/中/大目标：COCO 还按目标面积分组评估，用于诊断模型对小目标的检测能力
• 信息检索 MAP：不涉及 IoU，以查询的相关文档排序质量为准，是 TREC 评测的核心指标
• mAP@k：只考虑前 k 个检索结果，常用于搜索引擎与推荐系统

mAP 在多个 AI 方向都是主流评估指标，覆盖检测、检索与推荐。

• 目标检测：YOLO、Faster R-CNN、DETR 等模型在 COCO、VOC 上用 mAP 排名对比
• 实例分割：结合 mask IoU，评估像素级检测与分割精度
• 信息检索 / 搜索引擎：衡量文档排序系统对多个查询的平均表现
• 推荐系统：评估推荐列表的相关性与排序质量
• 医学影像：病灶检测（如肿瘤、息肉）用 mAP 衡量漏检率与误检率平衡
• 自动驾驶：行人、车辆、交通标志的多类别检测评估标准

mAP 常与精确率、召回率、F1 等指标混淆，理解差异有助于正确选型。

• mAP vs. Accuracy（准确率）：准确率不考虑排序，对类别不平衡敏感；mAP 对排序质量更敏感，适合多类别检测
• mAP vs. F1 Score：F1 是单一阈值下的精确率与召回率调和均值；mAP 整合了所有阈值，更全面
• mAP vs. IoU：IoU（交并比）是衡量单个检测框位置准确性的局部指标，是计算 mAP 的前置判定条件，而非综合指标
• mAP vs. mAR（Mean Average Recall）：mAR 侧重召回能力，mAP 同时关注精准率，两者互补
• AP vs. mAP：AP 是单类别指标，mAP 是多类别均值，后者是整体模型评估的标准

mAP 虽然权威，但在实际使用中有若干需要注意的陷阱。

• 对小目标不敏感：小目标 AP 偏低，但若数量少，对 mAP 拉动有限，可能掩盖模型缺陷
• 类别不平衡影响：稀有类别 AP 波动大，mAP 均值可能被少数常见类主导
• IoU 阈值选取影响结论：mAP@0.5 与 mAP@0.5:0.95 排名可能不一致，不可混用比较
• 协议混用：不同数据集、框架的 mAP 计算细节（插值方式、IoU 定义）不同，跨基准比较需谨慎
• 高 mAP ≠ 好用：推理速度、模型大小、对遮挡/截断目标的表现同等重要，实际落地需综合考量

mAP 从信息检索社区发源，随目标检测的崛起逐步演化为计算机视觉的核心基准。

• 1992 年：NIST TREC（文本检索会议）启动，MAP 成为信息检索评测的 「黄金标准」
• 2005 年：PASCAL VOC 挑战赛创立，将 mAP 引入图像物体识别评估
• 2007 年：PASCAL VOC 2007 正式将 mAP@0.5（11 点插值）确立为目标检测标准指标
• 2010 年：PASCAL VOC 2010 改用全点积分，AP 计算更精确
• 2014 年：MS COCO 数据集与挑战赛发布（Lin et al.），推出更严格的 mAP@[0.5:0.05:0.95] 协议
• 2017 年至今：YOLO 系列、DETR、SAM 等模型以 COCO mAP 为主要排名依据，推动了目标检测技术快速迭代