Mean Average Precision (mAP)

يُعد متوسط الدقة (mAP) مقياسًا شاملًا يُستخدم على نطاق واسع لتقييم أداء نماذج الرؤية الحاسوبية، ولا سيما في مهام مثل اكتشاف الأجسام وتجزئة المثيلات. وعلى خلاف الدقة البسيطة، التي تتحقق فقط مما إذا كانت الصورة قد صُنّفت تصنيفًا صحيحًا، يقيّم mAP مدى جودة اكتشاف النموذج للأجسام ومدى دقته في تحديد موضع المربع المحيط بها. وهذا ما يجعله المعيار الأساسي لمقارنة البنى المتقدمة مثل YOLO26 بالأجيال السابقة. ومن خلال تلخيص المفاضلة بين الدقة والاسترجاع عبر جميع الفئات، يوفّر mAP درجة واحدة تعكس متانة النموذج في سيناريوهات العالم الحقيقي.

مكوّنات mAP#

لحساب mAP، من الضروري أولًا فهم ثلاثة مفاهيم أساسية تحدد جودة الاكتشاف:

• التقاطع على الاتحاد (IoU): يقيس هذا المقياس التداخل المكاني بين المربع المتنبأ به وتعليق الحقيقة الأرضية. وهو نسبة تتراوح من 0 إلى 1. وغالبًا ما يُعد التنبؤ «إيجابيًا حقيقيًا» فقط إذا تجاوز IoU عتبة محددة، مثل 0.5 أو 0.75.
• الدقة: يجيب هذا المقياس عن السؤال: «من بين جميع الأجسام التي ادّعى النموذج اكتشافها، ما الكسر الذي كان صحيحًا بالفعل؟» وتعني الدقة العالية أن النموذج ينتج عددًا قليلًا جدًا من الإيجابيات الكاذبة.
• الاسترجاع: يطرح هذا المقياس السؤال: «من بين جميع الأجسام الموجودة فعليًا في الصورة، ما الكسر الذي اكتشفه النموذج؟» ويشير الاسترجاع العالي إلى أن النموذج يتجنب السلبيات الكاذبة ونادرًا ما يفوّت أي جسم.

منهجية الحساب#

يبدأ الحساب بحساب متوسط الدقة (AP) لكل فئة محددة (مثل «شخص» و«سيارة» و«كلب»). ويتم ذلك من خلال إيجاد المساحة تحت منحنى الدقة والاسترجاع، الذي يرسم الدقة مقابل الاسترجاع عند عتبات الثقة المختلفة. وتشير كلمة «المتوسط» في متوسط الدقة إلى حساب متوسط درجات AP هذه عبر جميع الفئات في بيانات التدريب.

غالبًا ما تعرض المعايير البحثية القياسية، مثل مجموعة بيانات COCO، نوعين رئيسيين:

1. mAP@50: يُعد الاكتشاف صحيحًا إذا كانت قيمة IoU لا تقل عن 0.50. وهو مقياس متساهل.

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

mAP مقارنةً بالمقاييس ذات الصلة#

من المهم التمييز بين mAP والدقة. فالدقة مناسبة لـتصنيف الصور، حيث يكون الناتج تسمية واحدة للصورة بأكملها، لكنها لا تنجح في اكتشاف الأجسام لأنها لا تراعي الموضع المكاني للجسم أو فئة الخلفية. وبالمثل، في حين توفر درجة F1 متوسطًا توافقيًا للدقة والاسترجاع عند عتبة ثقة واحدة، يدمج mAP الأداء عبر جميع مستويات الثقة، مما يقدم رؤية أكثر شمولًا لاستقرار النموذج.

التطبيقات الواقعية#

تُعد درجات mAP العالية بالغة الأهمية في البيئات التي تكون فيها السلامة والكفاءة أولوية قصوى.

• المركبات ذاتية القيادة: في تقنيات القيادة الذاتية، تعتمد السلامة على اكتشاف المشاة وإشارات المرور باسترجاع عالٍ (لعدم تفويت أي شيء) ودقة عالية (لتجنب الكبح الوهمي). ويضمن mAP موازنة نظام الإدراك بين هذه الاحتياجات بفاعلية.
• 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. وتشير درجة mAP العالية إلى أن النموذج يحدد الحالات الشاذة بشكل موثوق من دون إغراق الطبيب بإنذارات كاذبة، مما يسهّل التشخيص الدقيق.

قياس mAP باستخدام Ultralytics#

تُبسّط أطر العمل الحديثة حساب هذه المقاييس أثناء مرحلة التحقق. يوضح المثال التالي كيفية تحميل نموذج وحساب mAP باستخدام حزمة ultralytics في 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}")

يُعد فهم mAP وتحسينه أمرًا بالغ الأهمية قبل نشر النموذج. ولتبسيط هذه العملية، توفر منصة Ultralytics تتبعًا آليًا لـ mAP ومنحنيات الخسارة ومؤشرات الأداء الرئيسية الأخرى أثناء التدريب، مما يتيح للمطورين تصور التقدم واختيار أفضل نقطة تحقق للنموذج بهدف استخدامه في الإنتاج.