متوسط الدقة (mAP)

متوسط الدقة المتوسطة (mAP) هو مقياس تقييم حاسم يستخدم على نطاق واسع في رؤية الحاسوب، وخاصة لمهام اكتشاف الكائنات. وهو يوفر درجة واحدة وشاملة تلخص أداء النموذج عن طريق قياس دقة تنبؤاته عبر جميع فئات الكائنات. تأخذ درجة mAP في الاعتبار كلاً من صحة التصنيف (هل الكائن هو ما يقول النموذج أنه هو؟) وجودة التوطين (ما مدى تطابق المربع المحيط المتوقع مع موقع الكائن الفعلي؟). نظرًا لأنه يوفر تقييمًا متوازنًا، فقد أصبح mAP المقياس القياسي لمقارنة أداء نماذج اكتشاف الكائنات المختلفة مثل Ultralytics YOLO.

كيف يعمل مقياس mAP؟

لفهم متوسط الدقة (mAP)، من المفيد أولاً فهم مكوناته الأساسية: الدقة والاسترجاع والتقاطع على الاتحاد (IoU).

• الدقة (Precision): تقيس مدى دقة تنبؤات النموذج. تجيب على السؤال: "من بين جميع الكائنات التي اكتشفها النموذج، ما هو الجزء الذي كان صحيحًا؟"
• الاسترجاع (Recall): يقيس مدى جودة عثور النموذج على جميع الكائنات الفعلية. يجيب على السؤال: "من بين جميع الكائنات الحقيقية الموجودة في الصورة، ما هو الجزء الذي اكتشفه النموذج بنجاح؟"
• التقاطع على الاتحاد (IoU): مقياس يحدد كمية تداخل مربع إحاطة متوقع مع مربع إحاطة ذي حقيقة أساسية (مصنف يدويًا). يعتبر الكشف عادةً إيجابيًا حقيقيًا إذا كان IoU أعلى من عتبة معينة (على سبيل المثال، 0.5).

يحاكي حساب mAP هذه المفاهيم. لكل فئة من فئات الكائنات، يتم إنشاء منحنى الدقة والاسترجاع عن طريق رسم الدقة مقابل الاسترجاع عند عتبات درجة الثقة المختلفة. الدقة المتوسطة (AP) لتلك الفئة هي المساحة الواقعة أسفل هذا المنحنى، مما يوفر رقمًا واحدًا يمثل أداء النموذج في تلك الفئة المحددة. أخيرًا، يتم حساب mAP عن طريق أخذ متوسط درجات AP عبر جميع فئات الكائنات. بعض مخططات التقييم، مثل مخطط مجموعة بيانات COCO الشهيرة، تذهب إلى أبعد من ذلك عن طريق حساب متوسط mAP عبر عتبات IoU متعددة لتوفير تقييم أكثر قوة.

تمييز متوسط الدقة (mAP) عن المقاييس الأخرى

في حين أنه مرتبط بمقاييس التقييم (evaluation metrics) الأخرى، إلا أن لـ mAP غرضًا متميزًا.

• الدقة: تقيس الدقة نسبة التنبؤات الصحيحة إلى العدد الإجمالي للتنبؤات. يتم استخدامه بشكل عام لمهام التصنيف وغير مناسب للكشف عن الكائنات، حيث يجب تصنيف التنبؤ وتحديده مكانيًا بشكل صحيح.
• F1-Score: درجة F1 هي المتوسط التوافقي للدقة والاسترجاع. على الرغم من أنه مفيد، إلا أنه يتم حسابه عادةً عند عتبة ثقة واحدة. في المقابل، يوفر mAP تقييمًا أكثر شمولاً من خلال حساب متوسط الأداء عبر جميع العتبات.
• الثقة: هذا ليس مقياس تقييم للنموذج ككل، ولكنه مقياس يتم تعيينه لكل توقع فردي، مما يشير إلى مدى يقين النموذج بشأن هذا الاكتشاف الواحد. يستخدم حساب mAP مقاييس الثقة هذه لإنشاء منحنى الدقة والاسترجاع.

الأدوات والمعايير

تعتبر مجموعات بيانات المقارنة المعيارية الموحدة ضرورية للنهوض بمجال الكشف عن الكائنات. تستخدم مجموعات البيانات مثل PASCAL VOC و COCO مقياس mAP كمقياس أساسي لترتيب عمليات الإرسال على لوحات المتصدرين العامة. يتيح ذلك للباحثين والممارسين مقارنة النماذج المختلفة بشكل موضوعي، مثل YOLOv8 و YOLO11.

تعرض منصات مثل Ultralytics HUB بشكل بارز mAP لمساعدة المستخدمين على تتبع الأداء أثناء تدريب النموذج و التحقق من صحته. توفر أطر التعلم العميق الأساسية التي تدعم هذه النماذج، مثل PyTorch و TensorFlow، الأدوات اللازمة لبناء وتدريب النماذج التي يتم تقييمها في النهاية باستخدام mAP.

تطبيقات واقعية

مقياس mAP أساسي في تطوير أنظمة الذكاء الاصطناعي الموثوقة.

1. المركبات ذاتية القيادة: في الذكاء الاصطناعي للسيارات ذاتية القيادة، يجب أن يكتشف نموذج الإدراك بدقة كائنات مختلفة مثل السيارات والمشاة وراكبي الدراجات وإشارات المرور. تشير درجة mAP عالية في مجموعة بيانات صعبة مثل Argoverse إلى أن النموذج قوي وموثوق به عبر جميع الفئات الهامة، وهو أمر ضروري لضمان السلامة. تعتمد الشركات الرائدة في هذا المجال، مثل Waymo، بشكل كبير على التقييمات الصارمة باستخدام مقاييس مثل mAP.
2. تحليل الصور الطبية: عند تدريب نموذج لاكتشاف التشوهات مثل الأورام أو الآفات من الفحوصات باستخدام مجموعة بيانات مثل مجموعة بيانات أورام الدماغ، يتم استخدام mAP لتقييم دقة التشخيص الإجمالية. يضمن mAP العالي أن النموذج ليس جيدًا فقط في اكتشاف النوع الأكثر شيوعًا من الحالات الشاذة ولكنه فعال أيضًا في تحديد الحالات النادرة، ولكنها بنفس القدر من الأهمية. هذا التقييم الشامل هو خطوة أساسية قبل أن يتم اعتبار النموذج للنشر في أماكن الرعاية الصحية.