使用TensorFlow object_detection_evaluation.py计算mAP的结果疑问

Hey there! Let’s break down why your result makes total sense, using the TensorFlow Object Detection API’s evaluation logic.

核心结论：这个结果完全合理 #

Your {'PASCAL/Precision/mAP@0.1IOU': 1.0} output is totally expected given the scenario you described—here’s why:

1. IOU阈值0.1非常宽松 #

First, remember that mAP@0.1IOU uses an Intersection over Union (IOU) threshold of 0.1 to determine if a prediction "matches" a ground truth (GT) box. This is way more lenient than the standard PASCAL VOC threshold of 0.5.

For your two prediction boxes:

• The larger box [100, 100, 220, 220]: Even if its corresponding GT box is slightly shifted (e.g., [105, 105, 225, 225]), the IOU will still be well above 0.1. If the GT is identical, IOU is 1.0—obviously a match.
• The tiny box [10, 10, 11, 11]: Even a slightly larger GT box (like [9, 9, 12, 12]) would give an IOU of ~0.11, which just meets the 0.1 threshold. If the GT is exactly the same, IOU is 1.0.

2. 你的预测框大概率与真值完美匹配 #

根据object_detection_evaluation.py的逻辑，mAP达到1.0需要满足两个核心条件：

• 无假阳性: 每个预测框都能找到一个IOU≥0.1的真值框匹配
• 无假阴性: 每个真值框都能找到一个IOU≥0.1的预测框匹配

从你的结果反推，几乎可以确定：

• 你有且仅有2个真值框（和预测框数量一致）
• 每个预测框和对应真值框的IOU都≥0.1
• 没有多余的预测框（不存在匹配不到真值的预测），也没有遗漏的真值框（所有真值都被预测覆盖）

3. mAP的计算逻辑 #

这个脚本里的PASCAL-style mAP是对所有类别平均精度（AP）的均值。如果你的测试集中每个类别的AP都是1.0（该类所有预测都正确，无漏检），那么整体mAP自然就是1.0。

快速验证建议 #

如果你想进一步确认：

• 手动计算每个预测框和对应真值框的IOU，你会发现它们都≥0.1
• 检查真值框数量和预测框数量是否一致，确保没有多预测或少预测的情况

内容的提问来源于stack exchange，提问作者M. Krech