Mean Average Precision (mAP)

Mean Average Precision (mAP) is a comprehensive metric widely used to evaluate the performance of computer vision models, specifically in tasks like object detection and instance segmentation. Unlike simple accuracy, which merely checks if an image is classified correctly, mAP assesses how well a model finds objects and how accurately it positions the bounding box around them. This makes it the primary benchmark for comparing state-of-the-art architectures like YOLO26 against previous generations. By summarizing the trade-off between precision and recall across all classes, mAP provides a single score that reflects a model's robustness in real-world scenarios.

Link to this sectionمكونات mAP#

لحساب mAP، من الضروري أولاً فهم ثلاثة مفاهيم أساسية تحدد جودة الكشف:

• التقاطع فوق الاتحاد (IoU): يقيس هذا التداخل المكاني بين الصندوق المتوقع وتعليق الحقيقة الأساسية. وهو نسبة تتراوح من 0 إلى 1. غالباً ما يُعتبر التوقع "إيجابياً حقيقياً" فقط إذا تجاوز IoU حداً معيناً، مثل 0.5 أو 0.75.
• الدقة: يجيب هذا المقياس على السؤال: "من بين جميع الأشياء التي ادعى النموذج اكتشافها، ما هو الجزء الذي كان صحيحاً فعلياً؟" تعني الدقة العالية أن النموذج ينتج عدداً قليلاً جداً من الإيجابيات الكاذبة.
• الاستدعاء: يسأل هذا المقياس: "من بين جميع الأشياء الموجودة فعلياً في الصورة، ما هو الجزء الذي وجده النموذج؟" يشير الاستدعاء العالي إلى أن النموذج يتجنب السلبيات الكاذبة ونادراً ما يغفل عن شيء ما.

Link to this sectionمنهجية الحساب#

تبدأ العملية بحساب متوسط الدقة (AP) لكل فئة محددة (مثل "شخص"، "سيارة"، "كلب"). يتم ذلك عن طريق إيجاد المساحة تحت منحنى الدقة والاستدعاء، الذي يرسم الدقة مقابل الاستدعاء عند عتبات ثقة مختلفة. تشير كلمة "متوسط" في متوسط دقة متوسطة ببساطة إلى متوسط درجات AP هذه عبر جميع الفئات الموجودة في بيانات التدريب.

غالباً ما تبلغ معايير البحث القياسية، مثل مجموعة بيانات COCO، عن تنوعين رئيسيين:

1. mAP@50: يعتبر هذا المقياس عملية الكشف صحيحة إذا كان IoU لا يقل عن 0.50. وهو مقياس متساهل.

2. mAP@50-95: هذا هو متوسط mAP المحسوب عند عتبات IoU من 0.50 إلى 0.95 بخطوات قدرها 0.05. يكافئ هذا المقياس الصارم النماذج التي تحقق دقة تحديد موقع عالية.

Link to this sectionmAP مقابل المقاييس ذات الصلة#

من المهم التمييز بين mAP والدقة. الدقة مناسبة لـ تصنيف الصور حيث يكون المخرج تسمية واحدة للصورة بأكملها، لكنها تفشل في كشف الأشياء لأنها لا تأخذ في الاعتبار الموضع المكاني للكائن أو فئة الخلفية. وبالمثل، بينما يوفر F1-Score متوسطاً توافقياً للدقة والاستدعاء عند عتبة ثقة واحدة، يدمج mAP الأداء عبر جميع مستويات الثقة، مما يوفر رؤية أكثر شمولية لاستقرار النموذج.

Link to this sectionتطبيقات العالم الحقيقي#

تعد درجات mAP العالية حاسمة في البيئات التي تعتبر فيها السلامة والكفاءة أمراً بالغ الأهمية.

• المركبات ذاتية القيادة: في تكنولوجيا القيادة الذاتية، تعتمد السلامة على اكتشاف المشاة وإشارات المرور باستدعاء عالٍ (عدم فقدان أي شيء) ودقة عالية (تجنب الكبح الوهمي). يضمن mAP أن نظام الإدراك يوازن بين هذه الاحتياجات بفعالية.
• تحليل الصور الطبية: عند تحديد الأورام أو الكسور في صور الأشعة السينية، يعتمد أطباء الأشعة على الذكاء الاصطناعي في الرعاية الصحية للإشارة إلى المشكلات المحتملة. تشير درجة mAP العالية إلى أن النموذج يسلط الضوء بشكل موثوق على الشذوذ دون إرهاق الطبيب بالإنذارات الكاذبة، مما يسهل التشخيص الدقيق.

Link to this sectionقياس mAP باستخدام Ultralytics#

تبسط الأطر الحديثة حساب هذه المقاييس خلال مرحلة التحقق. يوضح المثال التالي كيفية تحميل نموذج وحساب mAP باستخدام حزمة ultralytics لـ Python.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Validate the model on a dataset to compute mAP
# This runs inference and compares predictions to ground truth
metrics = model.val(data="coco8.yaml")

# Print mAP@50-95 (map) and mAP@50 (map50)
print(f"mAP@50-95: {metrics.box.map:.3f}")
print(f"mAP@50: {metrics.box.map50:.3f}")

يعد فهم mAP والتحسين من أجله أمراً بالغ الأهمية قبل نشر النموذج. لتبسيط هذه العملية، توفر منصة Ultralytics تتبعاً آلياً لـ mAP ومنحنيات الخسارة ومؤشرات الأداء الرئيسية الأخرى أثناء التدريب، مما يسمح للمطورين بتصور التقدم واختيار أفضل نقطة فحص للنموذج للإنتاج.