mAP50 和 mAP50-95 是目標檢測任務中常用的評估指標，用于衡量模型在不同 交并比（IoU）閾值 下的平均精度（Average Precision, AP）。它們的區別主要體現在 IoU 閾值范圍 上。
? 1. mAP50（mean Average Precision at IoU=0.50）
- 定義：計算每個類別的 平均精度（AP），僅使用 IoU 閾值為 0.50 的情況。
- 含義：只要預測框與真實框的 IoU ≥ 0.5，就認為是正確匹配（True Positive）。
- 特點：
- 對模型要求較低，容易達到較高分數。
- 常用于快速評估或早期版本的YOLO等模型。
- 應用場景：適合對定位精度要求不高的場景。
? 2. mAP50-95（mean Average Precision at IoU=0.50:0.05:0.95）
- 定義：計算 從 IoU=0.5 到 IoU=0.95，每隔 0.05 一個閾值，共 10 個 IoU 閾值下的平均精度（AP），然后取平均值。
- 公式表示：
mAP50-95 = average(AP at IoU=0.5, 0.55, 0.6, ..., 0.95) - 含義：只有當預測框與真實框的 IoU 足夠高（比如 0.7 或更高）時才被認為是正確預測。
- 特點：
- 更嚴格、更全面地評估模型的定位能力。
- 是 COCO 數據集默認使用的評價指標。
- 分數通常低于 mAP50。
- 應用場景：適合需要高精度定位的任務，如自動駕駛、醫學圖像分析等。
📊 舉例說明
| 模型 | mAP50 | mAP50-95 |
|---|---|---|
| YOLOv5s | 64.0% | 36.5% |
| YOLOv8n | 69.5% | 39.2% |
| YOLOv11n | 70.1% | 40.5% |
可以看到，雖然 mAP50 看起來很高，但 mAP50-95 更能反映模型在各種 IoU 閾值下的綜合表現。
🧠 總結對比表
| 指標 | IoU 閾值 | 計算方式 | 嚴格程度 | 應用場景 |
|---|---|---|---|---|
| mAP50 | 固定 0.5 | 單一閾值下平均精度 | 較寬松 | 快速評估、低精度需求 |
| mAP50-95 | 從 0.5 到 0.95（步長 0.05） | 多個閾值下平均精度取平均 | 更嚴格 | 標準評估、高精度需求 |
🔁 補充說明
- AP（Average Precision）：是對某一類，在所有置信度閾值下的精度-召回曲線（PR Curve）下的面積。
- mAP（mean Average Precision）：是對所有類別 AP 的平均。
如果你正在訓練或評估目標檢測模型，建議優先關注 mAP50-95，因為它更能體現模型的真實性能和泛化能力。如果只想看粗略效果，可以用 mAP50 快速驗證。
)
