mAP50 和 mAP50-95 是目标检测任务中常用的评估指标，用于衡量模型在不同 交并比（IoU）阈值 下的平均精度（Average Precision, AP）。它们的区别主要体现在 IoU 阈值范围 上。
✅ 1. mAP50（mean Average Precision at IoU=0.50）
- 定义：计算每个类别的 平均精度（AP），仅使用 IoU 阈值为 0.50 的情况。
- 含义：只要预测框与真实框的 IoU ≥ 0.5，就认为是正确匹配（True Positive）。
- 特点：
- 对模型要求较低，容易达到较高分数。
- 常用于快速评估或早期版本的YOLO等模型。
- 应用场景：适合对定位精度要求不高的场景。
✅ 2. mAP50-95（mean Average Precision at IoU=0.50:0.05:0.95）
- 定义：计算 从 IoU=0.5 到 IoU=0.95，每隔 0.05 一个阈值，共 10 个 IoU 阈值下的平均精度（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) - 含义：只有当预测框与真实框的 IoU 足够高（比如 0.7 或更高）时才被认为是正确预测。
- 特点：
- 更严格、更全面地评估模型的定位能力。
- 是 COCO 数据集默认使用的评价指标。
- 分数通常低于 mAP50。
- 应用场景：适合需要高精度定位的任务，如自动驾驶、医学图像分析等。
📊 举例说明
| 模型 | mAP50 | mAP50-95 |
|---|---|---|
| YOLOv5s | 64.0% | 36.5% |
| YOLOv8n | 69.5% | 39.2% |
| YOLOv11n | 70.1% | 40.5% |
可以看到，虽然 mAP50 看起来很高，但 mAP50-95 更能反映模型在各种 IoU 阈值下的综合表现。
🧠 总结对比表
| 指标 | IoU 阈值 | 计算方式 | 严格程度 | 应用场景 |
|---|---|---|---|---|
| mAP50 | 固定 0.5 | 单一阈值下平均精度 | 较宽松 | 快速评估、低精度需求 |
| mAP50-95 | 从 0.5 到 0.95（步长 0.05） | 多个阈值下平均精度取平均 | 更严格 | 标准评估、高精度需求 |
🔁 补充说明
- AP（Average Precision）：是对某一类，在所有置信度阈值下的精度-召回曲线（PR Curve）下的面积。
- mAP（mean Average Precision）：是对所有类别 AP 的平均。
如果你正在训练或评估目标检测模型，建议优先关注 mAP50-95，因为它更能体现模型的真实性能和泛化能力。如果只想看粗略效果，可以用 mAP50 快速验证。
)
