mAPとは
mAP（mean Average Precision：平均適合率平均）とは、物体検出モデルの性能を評価するための標準的な指標です。各クラスのAP（Average Precision）を計算し、それらの平均を取ることで、モデル全体の検出性能を一つの数値で表します。
| ひとことで言うと | 物体検出モデルの精度を、クラスごとの平均適合率を平均して表す指標。 |
|---|---|
| 読み方 | 0〜1（または%）。0.5以上なら実用的、0.7以上なら高精度が一つの目安。 |
| 注意点 | IoUのしきい値で値が変わる。比較するときは同じ条件かを必ず確認する。 |
mAPの計算方法
mAPの計算にはいくつかのステップがあります。まず各検出結果をIoU閾値に基づいてTP（True Positive：正しい検出）またはFP（False Positive：誤検出）に分類します。次に、信頼度スコアの高い順に並べ、各点でのPrecision（適合率）とRecall（再現率）を計算してPrecision-Recall曲線を描きます。この曲線の下の面積がAP（Average Precision）です。全クラスのAPの平均がmAPとなります。
1IoUで正解判定0.5以上を検出成功とする
▶
2PR曲線を描く適合率と再現率の関係
▶
3AP（面積）を計算クラスごとに求める
▶
4全クラスで平均それがmAP
▶
5モデルを比較高いほど高性能
評価基準の違い
mAPの計算方法はデータセットによって異なります。PASCAL VOCでは、IoU閾値0.5でのmAP（mAP@0.5）が使用されます。MS COCOでは、IoU閾値を0.5から0.95まで0.05刻みで変化させた10段階のmAPの平均を主指標とします。これをmAP@[.5:.95]と表記します。COCOではさらに、小・中・大の物体サイズ別のmAPも報告されます。モデルの性能比較を行う際は、同じデータセットと同じ評価基準で比較することが重要です。