متوسط الدقة المتوسطةmAP

متوسط الدقة المتوسطةmAP) هو مقياس الأداء النهائي المستخدم لتقييم نماذج الرؤية الحاسوبية، وتحديداً تلك المصممة لاكتشاف الأجسام و وتجزئة المثيل. على عكس دقة البسيط، والذي يحدد فقط ما إذا كانت تسمية الصورة صحيحة، فإن متوسط دقة التصنيف ( mAP ) يقيّم قدرة النموذج على classify كائن ما بشكل صحيح وتحديد موقعه بدقة داخل الصورة باستخدام الصندوق المحيط. هذا التقييم المزدوج الغرض يجعله معيار الصناعة لقياس البنى الحديثة مثل YOLO11 مقارنةً بأحدث أجهزة الكشف الأخرى.

mAP

لفهم mAP يجب أولاً فهم العلاقة بين ثلاثة مفاهيم أساسية: التقاطع على الاتحاد (IoU), الدقة والاسترجاع.

• التقاطع على الاتحاد (IoU): يقيس هذا التداخل المكاني بين المربع المتوقع و الحقيقة الأرضية (موقع الجسم الفعلي). وهي نسبة تتراوح من 0 إلى 1. تشير نسبة IoU الأعلى إلى أن أن توطين النموذج قريب جدًا من الواقع.
• الدقة: يقيس ذلك موثوقية التنبؤات. الدقة العالية تعني أنه عندما يتنبأ النموذج بكائن ما, فمن المحتمل أن يكون صحيحًا، مما يقلل من النتائج الإيجابية الخاطئة.
• الاسترجاع: يقيس ذلك قدرة النموذج على العثور على جميع الكائنات الموجودة. التذكر العالي يعني أن الاسترجاع العالي يعني أن النموذج يلتقط معظم الأجسام الموجودة في المشهد، مما يقلل من السلبيات الخاطئة.

يتضمن حساب mAP رسم منحنى الدقة-الاستدعاء لكل فئة كائن. "متوسط الدقة"AP) هو في الأساس المساحة تحت هذا المنحنى. أخيرًا، يأتي يأتي "الوسط الحسابي" في mAP من حساب متوسط درجات AP في جميع الفئات في مجموعة البيانات، مما يوفر درجة واحدة شاملة.

mAP مقابل mAP

عند قراءة الأوراق البحثية أو صفحات مقارنة النماذج، سترى غالبًا ما سترى mAP بلواحق مختلفة. تشير هذه إلى عتبة IoU المستخدمة لاعتبار الاكتشاف "صحيحًا".

• mAP: يعتبر هذا المقياس التنبؤ صحيحًا إذا كان يتداخل مع الحقيقة الأرضية بنسبة 50%. كان هذا هو المعيار لمجموعات البيانات القديمة مثل Pascal VOC. إنه مقياس متساهل يعطي الأولوية للعثور على الكائن على المحاذاة الكاملة.
• mAP: شاع استخدام مجموعة بياناتCOCO وهذا هو المعيار الذهبي الحديث. وهو يقوم بحساب متوسط mAP المحسوب على خطوات 0.05 من IoU 0.50 إلى 0.95. هذا يكافئ النماذج التي لا تكتفي بالعثور على الجسم فحسب، بل تحدد موقعه بدقة متناهية على مستوى البكسل، وهي سمة أساسية في Ultralytics YOLO11.

تطبيقات واقعية

ونظرًا لأن mAP يأخذ في الحسبان كلاً من الإنذارات الكاذبة والاكتشافات الفائتة، فهو أمر بالغ الأهمية في البيئات عالية المخاطر.

1. القيادة الذاتية: في مجال الذكاء الاصطناعي في مجال السيارات، يجب على السيارة ذاتية القيادة detect المشاة والمركبات الأخرى وإشارات المرور. تضمن درجة mAP المرتفعة عدم تفويت نظام الإدراك العوائق (استرجاع عالٍ) مع تجنب الكبح الوهمي الناجم عن الاكتشافات الخاطئة (دقة عالية).
2. التشخيص الطبي: في تحليل الصور الطبية، يتطلب تحديد الأورام أو الكسور يتطلب دقة عالية لتجنب الخزعات غير الضرورية واستدعاءً عاليًا لضمان عدم حدوث أي حالة دون علاج. ويعتمد الذكاء الاصطناعي في مجال الرعاية الصحية على mAP الاصطناعي في التحقق من قدرة النماذج على مساعدة أخصائيي الأشعة بشكل موثوق عبر بيانات المرضى المتنوعة.

التفريق بين mAP والمقاييس ذات الصلة

من المهم التمييز بين mAP ومصطلحات التقييم المماثلة لاختيار المقياس المناسب لمشروعك.

• مقابل الدقة: الدقة هي نسبة التنبؤات الصحيحة إلى إجمالي التنبؤات. تعمل بشكل جيد لتصنيف الصور ولكنها تفشل في اكتشاف الأجسام لأنه لا يأخذ في الحسبان فئة "الخلفية" أو التداخل المكاني للمربعات.
• مقابل نقاط F1: نتيجة F1 هي المتوسط التوافقي للدقة والاسترجاع عند عتبة ثقة محددة. في حين أنها مفيدة لتحديد نقطة التشغيل، فإن mAP أكثر قوة لأنها تقيّم الأداء عبر جميع جميع عتبات الثقة بدلاً من عتبة واحدة فقط.

حساب mAP باستخدام Python

تعمل حزمةUltralytics Python على أتمتة العملية المعقدة ل المعقدة لحساب mAP. من خلال تشغيل وضع التحقق من الصحة على نموذج مُدرَّب، يمكنك استرداد درجات mAP على الفور لكل من عتبة 50٪ والنطاق الأكثر صرامة 50-95٪.

from ultralytics import YOLO

# Load the YOLO11 nano model
model = YOLO("yolo11n.pt")

# Validate on the COCO8 dataset (downloads automatically)
metrics = model.val(data="coco8.yaml")

# Access the mAP50-95 attribute from the box metrics
# This returns the mean average precision averaged over IoU 0.5-0.95
print(f"mAP50-95: {metrics.box.map}")

يسمح سير العمل هذا للمطوّرين بقياس نماذجهم على مجموعات البيانات القياسية القياسية للكشف عن الكائنات، مما يضمن أن تطبيقاتهم تفي بمعايير الأداء اللازمة قبل النشر.