1 基本概念
1.1 定义
Mean Average Precision，简称 mAP，中文常译为“平均精度均值”。它是一类用于衡量排序、检索和检测效果的综合指标，核心做法是先对某个查询、类别或样本计算平均精度，再对多个对象的 AP 取平均，得到整体性能数值。
mAP 的思想是把“结果是否正确”和“正确结果排在前面多少”同时纳入考量，因此比单纯看命中数量更能反映系统的真实表现。它常见于信息检索、目标检测、多标签分类等任务。
1.2 术语说明
mAP 的理解通常依赖于几个基础概念。它们共同构成了从单次命中统计到整体性能汇总的计算链条。
1.2.1 精确率（Precision）
精确率表示被判定为相关或正类的结果中，有多少是真正正确的。其重点在于“判对的比例”，适合衡量系统输出的纯度。
1.2.2 召回率（Recall）
召回率表示所有应被找出的相关结果中，系统实际找回了多少。它更强调覆盖程度，即是否尽可能把目标都检出或检索出来。
1.2.3 平均精度（Average Precision）
平均精度，简称 AP，是对某一查询、某一类别或某一类别下某一检索结果的综合评分。它通常不是单点精确率，而是将不同召回阶段上的精确率表现汇总起来，因此能够反映排序质量与覆盖能力的平衡。
1.3 与其他指标的关系
mAP 与精确率、召回率、F1 值等指标存在明显联系，但关注点并不完全相同。精确率和召回率多用于描述某一时刻或某一阈值下的表现，F1 值则是两者的调和平均；mAP 则把整个排序过程中的多点表现纳入统计，更适合评价需要输出完整排序列表的系统。
与 ROC-AUC 相比，mAP 更强调正类结果在排序中的位置，尤其在正负样本极不均衡时更具参考价值。与 NDCG 相比，mAP通常更注重相关项的整体命中与排序，而不是对不同位置施加细粒度折扣。
2 数学原理
2.1 精确率-召回率曲线
精确率-召回率曲线是 mAP 的基础表示方式。它描述了在不同阈值或不同排名截断位置下，系统精确率与召回率的变化关系。
2.1.1 曲线构建方式
通常先按照模型输出的置信度或相关性分数对结果排序，再从前到后逐步纳入样本。每加入一个结果，就可以重新计算一次精确率和召回率，从而形成一系列点，连接后构成精确率-召回率曲线。
2.1.2 曲线下的面积含义
曲线下的面积可以理解为系统在整个召回过程中维持高精确率的能力。面积越大，说明系统在较高召回水平下仍能保持较好的准确性，整体排序质量也越高。
2.2 平均精度的计算
AP 的计算方法在不同任务中不尽相同，但都围绕“在召回增加的过程中，精确率如何变化”展开。
2.2.1 插值法
插值法会在各个召回点上取一个代表性的精确率值，常见做法是取该召回点及其之后所有点中的最大精确率，再据此求面积。这样可以减弱曲线局部波动带来的影响，使结果更平滑。
2.2.2 逐点积分法
逐点积分法则更接近离散求和的思路，直接根据相邻召回点之间的变化累积面积。它对排序列表中的每一次真阳性出现都较为敏感，因此能更细致地反映模型在不同位置上的表现。
2.3 Mean Average Precision 的聚合方式
mAP 的关键不只是单个 AP 的计算，更在于如何将多个 AP 汇总成一个总指标。
2.3.1 按查询求平均
在信息检索中，常见做法是先对每个查询分别算出 AP，再对所有查询的 AP 求平均。这样可以避免某些查询样本过多而对总体结果产生过强影响。
2.3.2 按类别求平均
在分类或检测任务中，也常按类别分别计算 AP，再对各类别结果平均。这种方式能让每个类别在总体评分中获得相对均衡的权重。
2.3.3 按数据集求平均
有些实现会在更高层级上直接汇总整个数据集的结果，例如将多个子集、多个场景或多个评测切片的 AP 再次平均，以便观察跨数据分布的整体性能。
3 计算方法
3.1 排序结果的处理
mAP 的输入通常是一个按分数排序的结果列表。列表中每一项都需要判断其是否为相关项，并据此统计后续指标。
3.1.1 相关项与非相关项判定
在检索任务中，相关项通常由标注或检索目标集合决定；在检测任务中，则需要结合类别和位置重叠程度判断是否匹配。凡是满足评测规则的结果可视为真阳性，其他则计为假阳性。
3.1.2 置信度阈值与排序截断
实际计算中，模型输出常附带置信度分数。评测时既可以保留全部结果，也可以只取前若干项或超过某一阈值的结果。排序截断会影响召回上限，而阈值设置则会改变精确率与召回率的平衡。
3.2 单个类别的 AP 计算
单类 AP 通常是 mAP 的基础单元。先统计该类别下各个预测结果的正确性，再构造精确率-召回率关系。
3.2.1 真阳性与假阳性统计
随着排序列表逐项展开，每个预测结果会被标记为真阳性或假阳性。真阳性累计越快，召回提升越快；假阳性越多，精确率则会下降。
3.2.2 累积精确率与召回率
在每个位置上计算累积精确率和累积召回率后，就能得到该类别的完整 PR 轨迹。AP 的数值正是由这条轨迹汇总而来，反映该类别检出质量与排序能力的结合效果。
3.3 多类别 mAP 计算
当任务涉及多个类别时，mAP 需要把各类别 AP 统一为一个总分，便于横向比较。
3.3.1 宏平均方式
宏平均是最常见的形式，即每个类别的 AP 赋予相同权重，再求简单平均。它对小类和大类一视同仁，能减少高频类别对结果的主导作用。
3.3.2 加权平均方式
加权平均会根据类别样本数、目标数量或业务重要性分配不同权重。该方式更贴近某些实际场景中的分布特点，但会弱化少数类别的存在感。
3.3.3 类别缺失时的处理
当某些类别在测试集中没有正样本时，是否纳入平均、如何记分，通常由具体评测规范决定。不同实现对此可能采用跳过、记零或其他约定，因此在比较结果时需要留意定义一致性。
4 应用场景
4.1 信息检索
mAP 最早广泛应用于检索评价，尤其适合处理需要返回一个排序列表的场景。
4.1.1 文档检索
在文档检索中，系统会针对查询返回一组文档，并按相关性排序。mAP 能综合衡量相关文档是否被尽早排到前列，以及整个列表中找回相关内容的程度。
4.1.2 问答系统排序
问答系统常需要对候选答案、段落或证据片段进行重排序。mAP 可以用于评估正确答案在候选列表中的位置表现，适合衡量排序模型的整体有效性。
4.2 机器学习与分类评估
除了传统检索，mAP 也常用于多标签和排序型分类任务。
4.2.1 多标签分类
多标签分类中，一个样本可能对应多个正标签。此时可把每个标签视为一个独立目标，计算各标签 AP 后再取平均，从而评价模型对不同标签的覆盖与排序能力。
4.2.2 推荐系统
在推荐系统里，mAP可用于衡量系统把用户可能感兴趣的项目排在前面的能力。它更适合关注候选列表前段质量的任务，尤其是当正反馈相对稀疏时。
4.3 计算机视觉
mAP 在视觉领域尤其常见，几乎已成为若干任务的标准指标之一。
4.3.1 目标检测
目标检测中，mAP用于评估模型对不同类别目标的定位与分类是否准确。它不仅看是否找到了目标，还要看目标框是否足够贴近真实标注。
4.3.2 实例分割
实例分割在检测的基础上进一步要求输出像素级轮廓。mAP 可以结合掩膜匹配规则来评价分割结果，因此也被广泛用于该类任务。
4.3.3 姿态估计
姿态估计中，模型需要预测人体或对象的关键点。mAP 有时可被扩展为对关键点匹配质量的综合评估工具，反映预测位置与标注位置之间的一致程度。
5 不同任务中的变体
5.1 检索任务中的 mAP
检索任务中的 mAP 往往围绕查询来组织，强调每个查询的独立评价。
5.1.1 按查询平均
常见做法是对每个查询单独计算 AP，再对所有查询求平均。这样每个查询都具有同等权重，不会因相关文档数量不同而被明显放大或削弱。
5.1.2 Top-k 版本
有些场景只关心前 k 个结果的质量，因此会采用 Top-k 版本的评价方式。它更注重结果列表前端的实用性，但会牺牲对完整排序的描述能力。
5.2 目标检测中的 mAP
目标检测领域对 mAP 的定义更为具体，通常会把预测框与标注框之间的重叠程度纳入判定。
5.2.1 IoU 阈值设定
IoU，即交并比，是判断预测框是否与真实框匹配的常用标准。达到某一阈值以上，通常才算作正确检测；阈值越高，评测标准越严格。
5.2.2 单阈值与多阈值评估
单阈值评估只在一个固定 IoU 标准下计算 mAP，结果直观但偏向某一精度要求。多阈值评估则会在多个 IoU 门槛下分别统计，再综合得出分数，更全面地反映模型性能。
5.2.3 COCO 风格 mAP
COCO 风格评测通常采用多个 IoU 阈值并进行平均，因此对检测框质量要求更高。它能区分“勉强命中”和“位置精确”的差别，因此在现代检测研究中影响较大。
5.3 排序学习中的 mAP
在排序学习中，mAP 既是评价指标，也常作为优化目标的参考方向。
5.3.1 训练目标与评估指标的区别
mAP 可以用于评估模型训练后的效果，但直接把它当作优化目标并不容易，因为其计算过程涉及排序、离散判断和非平滑操作。训练中常用可微替代目标，而评估仍使用 mAP 进行最终比较。
5.3.2 近似优化方法
为贴近 mAP，一些方法会设计近似可导的损失函数或采用排序松弛策略。它们试图让训练过程更接近最终评价标准，从而提高指标表现。
6 优缺点
6.1 优点
mAP 之所以广泛应用，主要在于它能把多方面质量指标合并到一个统一框架中。
6.1.1 能同时反映精确率与召回率
mAP 不是只看命中多少，而是同时考察结果是否准确、是否找全。这使它比单一阈值指标更全面。
6.1.2 适合比较排序模型
对于输出排序列表的系统，mAP 能直接衡量前后位置差异，因此非常适合比较不同排序策略的优劣。
6.1.3 对整体性能较敏感
由于它会汇总多个查询、类别或阈值下的结果，mAP 通常能较稳定地反映模型总体水平，不容易被单个样本的偶然波动左右。
6.2 局限性
尽管实用，mAP 也并非没有不足。
6.2.1 对排序细节较敏感
结果在列表中的相对位置变化，可能会明显影响 mAP。对于只差少量名次的模型，它有时会放大细微差别。
6.2.2 计算与标注依赖较强
mAP 的可靠性依赖较完整的标注和明确的评测协议。若相关性定义不清，或者标注不充分，指标解释就会受到影响。
6.2.3 对极端类别不平衡的解释性有限
当某些类别极少、某些类别极多时，简单平均未必最能体现业务价值。此时 mAP 虽仍可比较模型，但对实际意义的说明可能不够直观。
7 相关概念
7.1 Precision@k
Precision@k 表示前 k 个结果中的精确率，常用于衡量列表前端质量。它比 mAP 更局部，重点在于固定截断位置。
7.2 Recall@k
Recall@k 关注前 k 个结果覆盖了多少应找回的目标。它常与 Precision@k 配合使用，用来观察检索或推荐的前段表现。
7.3 F1 值
F1 值是精确率和召回率的调和平均，常用于单点阈值下的综合衡量。与 mAP 相比，它不描述完整排序过程。
7.4 ROC-AUC
ROC-AUC 通过真阳性率与假阳性率的关系评价分类器区分能力。它更适合整体二分类判别，而不是强调正类排序位置的任务。
7.5 NDCG
NDCG 是一种重视排序位置的指标，对越靠前的相关结果赋予越高权重。它与 mAP 类似，都关心排序质量，但具体折扣方式不同。
8 历史与发展
8.1 指标的提出背景
mAP 的产生与早期信息检索评测密切相关。随着系统从“是否找到”转向“按什么顺序找到”，单纯的命中率已不足以描述性能，于是需要一种能兼顾准确性与排名的综合指标。
8.2 在信息检索中的推广
在检索系统发展过程中，mAP逐渐成为衡量查询级表现的重要标准。它便于比较不同检索策略在多个查询上的平均效果，因此在实验研究中长期保持高使用率。
8.3 在目标检测评测中的普及
随着目标检测任务的发展，mAP 被引入并扩展为检测评测中的核心指标之一。尤其在需要同时评价定位和分类能力时，它提供了较强的解释力和可比较性。
8.4 现代标准与实现差异
在现代实践中，mAP 的计算细节可能因数据集、任务和工具链不同而有所差异，例如 IoU 阈值、插值方式、类别平均规则和缺失样本处理方式等。正因如此，比较不同论文或系统时，必须确认它们采用的是不是同一套评测标准。