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

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

🔁 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。