متوسط الدقة المتوسطةmAP

متوسط الدقة (mAP) هو مقياس شامل يستخدم على نطاق واسع لتقييم أداء نماذج الرؤية الحاسوبية ، خاصة في مهام مثل اكتشاف الكائنات وتقسيم المثيلات. على عكس الدقة البسيطة، التي تقتصر على التحقق من تصنيف الصورة بشكل صحيح، mAP مدى جودة النموذج في العثور على الكائنات ومدى دقة وضع المربع المحيط بها. وهذا يجعله المعيار الأساسي لمقارنة أحدث البنى مثل YOLO26 مع الأجيال السابقة. من خلال تلخيص المفاضلة بين الدقة والاسترجاع عبر جميع الفئات، mAP درجة واحدة تعكس متانة النموذج في سيناريوهات العالم الحقيقي.

mAP

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

• تقاطع الاتحاد (IoU): يقيس هذا التداخل المكاني بين المربع المتوقع و التعليق على الحقيقة الأساسية. وهو عبارة عن نسبة تتراوح من 0 إلى 1. غالبًا ما يُعتبر التوقع "إيجابيًا حقيقيًا" فقط إذا IoU عتبة معينة، مثل 0.5 أو 0.75.
• الدقة: يجيب هذا المقياس على السؤال التالي: "من بين جميع الكائنات التي ادعى النموذج detect، ما هي النسبة التي كانت صحيحة بالفعل ؟" الدقة العالية تعني أن النموذج ينتج عددًا قليلاً جدًا من النتائج الإيجابية الخاطئة.
• استرجاع: يسأل هذا المقياس، "من بين جميع الكائنات الموجودة بالفعل في الصورة، ما هي النسبة التي عثر عليها النموذج ؟" يشير الاسترجاع العالي إلى أن النموذج يتجنب النتائج السلبية الخاطئة ونادراً ما يفوت كائنًا.

منهجية الحساب

يبدأ الحساب بحساب متوسط الدقة (AP) لكل فئة محددة (على سبيل المثال، "شخص" "سيارة"، "كلب"). ويتم ذلك عن طريق إيجاد المساحة تحت منحنى الدقة والاسترجاع، الذي يرسم الدقة مقابل الاسترجاع عند عتبات ثقة مختلفة . يشير "المتوسط" في متوسط الدقة ببساطة إلى متوسط AP هذه عبر جميع الفئات في بيانات التدريب.

غالبًا ما تشير معايير البحث القياسية، مثل COCO ، إلى اختلافين رئيسيين:

1. mAP: يعتبر هذا الكشف صحيحًا إذا IoU 0.50 على الأقل. وهو مقياس متساهل.
2. mAP: هذا هو متوسط mAP عند IoU من 0.50 إلى 0.95 بخطوات 0.05. هذا المقياس الصارم يكافئ النماذج التي تحقق دقة عالية في تحديد الموقع.

mAP المقاييس ذات الصلة

من المهم التمييز mAP والدقة. الدقة مناسبة لتصنيف الصور حيث يكون الناتج علامة واحدة للصورة بأكملها، ولكنها تفشل في اكتشاف الكائنات لأنها لا تأخذ في الاعتبار الموقع المكاني للكائن أو فئة الخلفية. وبالمثل، في حين أن F1-Score يوفر متوسطًا متناغمًا للدقة والاسترجاع عند عتبة ثقة واحدة، mAP الأداء عبر جميع مستويات الثقة، مما يوفر نظرة أكثر شمولية لاستقرار النموذج.

تطبيقات واقعية

تعد mAP العالية أمرًا بالغ الأهمية في البيئات التي تعتبر فيها السلامة والكفاءة أمرين بالغين الأهمية.

• المركبات ذاتية القيادة: في تقنية القيادة الذاتية، تعتمد السلامة على اكتشاف المشاة وإشارات المرور بدقة عالية (دون تفويت أي شيء) وبدقة عالية (تجنب الكبح الوهمي). mAP أن نظام الإدراك يوازن بين هذه الاحتياجات بشكل فعال.
• تحليل الصور الطبية: عند تحديد الأورام أو الكسور في الأشعة السينية، يعتمد أطباء الأشعة على الذكاء الاصطناعي في الرعاية الصحية لتحديد المشكلات المحتملة. تشير mAP العالية إلى أن النموذج يسلط الضوء على الحالات الشاذة بشكل موثوق دون إرباك الطبيب بالإنذارات الكاذبة، مما يسهل التشخيص الدقيق.

قياس mAP Ultralytics

تسهل الأطر الحديثة حساب هذه المقاييس أثناء التحقق من الصحة المرحلة. يوضح المثال التالي كيفية تحميل نموذج وحساب mAP ultralytics حزمة 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}")

mAP الضروري فهم mAP وتحسينه قبل نشر النموذج. لتبسيط هذه العملية، توفر Ultralytics تتبعًا آليًا لـ mAP ومنحنيات الخسارة و مؤشرات الأداء الرئيسية الأخرى أثناء التدريب، مما يتيح للمطورين تصور التقدم واختيار أفضل نقطة فحص للنموذج من أجل الإنتاج.