mAP（Mean Average Precision）均值平均准确率，即检测多个目标类别的平均准确率。在目标检测领域mAP是一个最为常用的指标。具体概念不叙述，本文主要讲如何利用Github上一些开源项目计算自己网络的mAP值等信息。首先给出两个Github链接，链接1；链接2。这两个链接项目都可以帮助我们计算mAP的值，用法也差不多，链接1感觉用起来更简单点，链接2的功能更全面点（绘制的Precision-Recall曲线更准）。本文主要介绍下链接项目1的使用方法，利用项目1最终能得到如下图所示的计算结果（虽然也能绘制P-R曲线，但感觉绘制的不准确）。
项目的使用流程
使用方法流程主要分为如下几步：（1） 克隆项目代码；（2）创建ground-truth文件，并将文件复制到克隆项目的 input/ground-truth/ 文件夹中；（3）创建detection-results文件，并将文件复制到克隆项目的 input/detection-results/ 文件夹中；（4）将与detection-results对应的验证图像文件放入克隆项目 input/images-optional 文件夹中（该步骤为可选项，可以不放入图像，如果放入图像会将标注框、检测框都绘制在图像上，方便后期分析结果）；（5）在项目文件夹中打开终端，并执行指令python main.py即可得到结果（结果全部保存在克隆项目的results文件夹中）。
1）克隆代码
打开项目1https://github.com/Cartucho/mAP进行克隆，或者直接使用git克隆。
2）创建ground-truth文件
在项目的readme中有给出事例：
例如图像1中的标注信息（image_1.txt），文件的命名要与图像命名相同，每一行的参数为类别名称、左上角x坐标、左上角y坐标、右下角x坐标、右下角y坐标
<class_name> <left> <top> <right> <bottom> [<difficult>]参数difficult是可选项，每一个图像文件对应生成一个txt文件，与PASCAL VOC的xml文件一样，一一对应。
tvmonitor 2 10 173 238
book 439 157 556 241
book 437 246 518 351 difficult
pottedplant 272 190 316 259将所有生成好的文件复制到克隆项目的 input/ground-truth/ 文件夹中
3）创建detection-results文件
同样在项目的readme中有给出事例：
对于图像1的实际预测信息（image_1.txt），文件的命名要与图像命名相同，每一行的参数为类别名称、预测概率、预测左上角x坐标、预测左上角y坐标、预测右下角x坐标、预测右下角y坐标
<class_name> <confidence> <left> <top> <right> <bottom>每个预测图像对应生成一个txt文件
tvmonitor 0.471781 0 13 174 244
cup 0.414941 274 226 301 265
book 0.460851 429 219 528 247
chair 0.292345 0 199 88 436
book 0.269833 433 260 506 336将所有生成好的预测文件复制到克隆项目的 input/detection-results/ 文件夹中
4）复制图像文件（可选）
将与detection-results对应的验证图像文件放入克隆项目 input/images-optional 文件夹中（该步骤为可选项，可以不放入图像，如果放入图像会将标注框、检测框都绘制在图像上，方便后期分析结果）
5）开始计算
在项目文件夹中打开终端，并执行指令python main.py即可得到结果（结果全部保存在克隆项目的results文件夹中，注：该项目的计算结果是IOU阈值取0.5的结果）
通过以上步骤就能够得到出训练网络的预测mAP，使用起来也是非常的简单。对于需要绘制Precision-Recall曲线的同学可以使用链接2中的项目代码。项目2的使用步骤其实基本相同，且需要准备的文件也都是一样的，不同的是使用的指令。
