mAP@0.5 的python实现

mAP（mean Average Precision）是目标检测中常用的评价指标之一，用于衡量模型在不同类别上的平均精度。在mAP中，我们通常选择IoU（Intersection over Union）的阈值为0.5。

下面是mAP@0.5的Python实现代码：

def calculate_iou(box1, box2):
    """
    计算两个框之间的IoU
    """
    x1, y1, w1, h1 = box1
    x2, y2, w2, h2 = box2

    intersect_x1 = max(x1, x2)
    intersect_y1 = max(y1, y2)
    intersect_x2 = min(x1 + w1, x2 + w2)
    intersect_y2 = min(y1 + h1, y2 + h2)

    intersect_w = max(0, intersect_x2 - intersect_x1)
    intersect_h = max(0, intersect_y2 - intersect_y1)

    intersect_area = intersect_w * intersect_h
    box1_area = w1 * h1
    box2_area = w2 * h2

    iou = intersect_area / float(box1_area + box2_area - intersect_area)
    return iou

def calculate_ap(precision, recall):
    """
    计算AP（Average Precision）
    """
    mrec = np.concatenate(([0.], recall, [1.]))
    mpre = np.concatenate(([0.], precision, [0.]))

    # 计算精确率下降的点
    for i in range(mpre.size - 1, 0, -1):
        mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])

    # 找到召回率变化的位置
    i = np.where(mrec[1:] != mrec[:-1])[0]

    # 计算AP
    ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
    return ap

def calculate_map(gt_boxes, pred_boxes, iou_threshold=0.5):
    """
    计算mAP（mean Average Precision）
    """
    num_classes = len(gt_boxes)
    aps = []

    for class_id in range(num_classes):
        class_gt_boxes = gt_boxes[class_id]
        class_pred_boxes = pred_boxes[class_id]

        num_gt_boxes = len(class_gt_boxes)
        num_pred_boxes = len(class_pred_boxes)

        # 初始化precision和recall
        precision = np.zeros(num_pred_boxes)
        recall = np.zeros(num_pred_boxes)

        # 计算每个预测框的IoU和得分
        iou_scores = np.zeros((num_pred_boxes, num_gt_boxes))
        scores = np.zeros(num_pred_boxes)
        for i in range(num_pred_boxes):
            for j in range(num_gt_boxes):
                iou_scores[i][j] = calculate_iou(class_pred_boxes[i], class_gt_boxes[j])
            scores[i] = class_pred_boxes[i][4]

        # 按照得分排序
        sorted_indices = np.argsort(scores)[::-1]

        # 计算precision和recall
        for i in range(num_pred_boxes):
            index = sorted_indices[i]
            if iou_scores[index].max() >= iou_threshold:
                precision[i] = 1.
            recall[i] = (i + 1) / float(num_gt_boxes)

        # 计算AP
        ap = calculate_ap(precision, recall)
        aps.append(ap)

    # 计算mAP
    map = np.mean(aps)
    return map

以上代码中，`gt_boxes`是一个列表，其中每个元素都是一个二维数组，表示某类别的所有ground truth boxes。`pred_boxes`也是一个列表，其中每个元素都是一个二维数组，表示某类别的所有predicted boxes。每个二维数组中，每个元素都是一个长度为5的一维数组，表示一个框的坐标和得分。

在计算mAP时，我们首先遍历每个类别，然后计算每个类别的AP。对于每个类别，我们计算每个predicted box与所有ground truth boxes之间的IoU，并将IoU大于阈值的predicted box视为true positive。然后按照predicted box的得分排序，计算precision和recall，并计算AP。最后，计算所有类别的AP的平均值，即为mAP。