TensorBoard中mAP分数接近0但损失值低的问题咨询

这情况我之前踩过坑！明明看模型输出的图里有不少像模像样的检测框，结果TensorBoard里的mAP几乎是0，大概率是这几个原因在搞鬼，咱们一个个排查：

• 评估环节的标注/配置不匹配
  先把eval_config和评估数据集的标注文件拉出来核对：

  • 类别ID必须和训练时完全一致！比如训练时把"dog"设为ID 1，评估标注里写成了ID 2，那模型预测的所有框都会被判定为错误，mAP直接归零。
  • 检查min_score_thresh参数：你看输出图时可能只显示了置信度较高的框，但eval.py默认可能会把所有置信度的框都纳入计算——一堆低置信度的乱框会把精确率拉到谷底，mAP自然好看不了。试试把eval配置里的min_score_thresh设成你看输出图时用的阈值（比如0.5）再跑一遍。
  • 边界框坐标格式要对齐：训练和评估的标注框格式是[ymin, xmin, ymax, xmax]还是[xmin, ymin, xmax, ymax]？要是和模型输出的格式不匹配，IoU计算全错，mAP肯定为0。

• IoU阈值卡得太严（或匹配逻辑错了）
  mAP默认用的是IoU≥0.5的判定标准（PASCAL VOC规则），如果你的模型预测框和标注框的重叠度刚好都卡在0.5以下，哪怕框的位置看起来对，也会被算成假阳性。比如标注框是[10,10,50,50]，模型预测的是[15,15,55,55]，IoU可能刚好0.49，这就不算正确检测。
  你可以去TensorBoard里看PR曲线，如果所有类别的曲线都贴在左下角，那基本就是IoU不达标的问题。

• 训练集和评估集分布差异太大
  比如训练集全是室内场景的目标，评估集全是室外的；或者训练集里的目标普遍比评估集的大一圈——模型虽然学到了点特征，但在评估集上的框和标注匹配度不够，IoU都达不到阈值，mAP自然上不去。这种情况可以手动拿几张评估图，把预测框和标注框叠在一起对比，一眼就能看出来问题。

• 训练步数还不够
  3.5k步对于Faster-RCNN来说可能还处于初期阶段，尤其是自定义数据集比较复杂的话。虽然能出框，但这些框的位置精度、置信度都还不稳定，很多框的IoU达不到要求，导致mAP上不来。可以再训个几千步，看看mAP有没有回升的迹象。

最后给个小技巧：手动挑几张评估集的图，把模型预测框和标注框放在一起对比，看看是类别错了、IoU不够还是别的问题，比光看TensorBoard能更快定位原因。

内容的提问来源于stack exchange，提问作者Karthik