mAP@.5和mAP@.5:0.95的区别

先来讲解一下mAP@0.5

mAP:Mean Average Precision，即每个类别分别计算AP，然后Mean平均。

那么何为AP，AP即Precsion-Recall Curve图中PR曲线所围成的面积（在yolov5算法中训练结束后的文件中会生成PR-Curve图）

那么PR-Curve图怎么才算效果好？要看曲线是否平滑，多个类别的时候，哪个类别的曲线在上方证明哪个曲线的效果更好。

讲完mAP，再来讲解这个@.5什么意思，mAP@.5其实就是将IOU设置为0.5时，计算每个类别的AP的平均值。

IOU即置信度，目标检测评价函数，如下图所示，当真实框与我们的预测框完全没有相交的时候，IOU=0；当IOU=0.25时证明真实框与我们的预测框有相交部分，当IOU=1时则证明我们的预测框和真实框完全重合。

提到IOU，我们就不得不提到NMS（non maximum suppression 非极大值抑制），在实际检测的过程中，会框出很多不同的检测框都指向同一个目标，那么我们就要想办法从这些框中选择最优的框。NMS正是解决了从多个预测框中选择最优框的问题。

当你给iou一个阈值，比如iou=0.5，那么当两个预测框的相交部分大于50%的时候，就会从这两个预测框中选择一个适合的留下。当两个预测框的相交部分不足50%的适合，两个预测框都会被留下。如上图左边的目标，很明显三个框中两两之间的相交部分都大于50%，所以会在这三个框中选择一个合适的留下。

假如我们设置iou=1，那就相当说对在检测过程中对同一个目标检测出来不同的框时，只有当预测框和真实框完全重合时候，才会从完全相同的框中选择一个合适的框留下，这样的情况很难满足，所以当iou=1时，检测结果图中就会乱七八糟的出现很多的框。

未完待续.......