Mittlere durchschnittliche PräzisionmAP)

Mean Average PrecisionmAP) ist die maßgebliche Leistungskennzahl zur Bewertung von Computer-Vision-Modelle, insbesondere solche die für die Objekterkennung und Segmentierung von Instanzen. Im Gegensatz zur einfachen Klassifizierungsgenauigkeit, die nur bestimmt, ob eine Bildbeschriftung korrekt ist, bewertet mAP die Fähigkeit eines Modells, sowohl ein Objekt korrekt classify und es innerhalb eines Bildes mithilfe eines Bounding Box. Diese Doppelnutzenbewertung macht es zum Industriestandard für das Benchmarking moderner Architekturen wie YOLO11 im Vergleich zu anderen hochmodernen Detektoren.

Die Bestandteile von mAP

Um mAP zu verstehen, muss man zunächst die Beziehung zwischen drei grundlegenden Konzepten verstehen: Intersection over Union (IoU), Präzision und Recall.

• Schnittpunkt über Union (IoU): Dies misst die räumliche Überlappung zwischen der vorhergesagten Box und der Bodenwahrheit (der tatsächlichen Objektposition). Es handelt sich um ein Verhältnis zwischen 0 und 1. Ein höherer IoU zeigt an, dass die dass die Lokalisierung des Modells der Realität sehr nahe kommt.
• Genauigkeit: Damit wird die Zuverlässigkeit der Vorhersagen gemessen. Eine hohe Präzision bedeutet, dass das Modell bei der Vorhersage eines Objekts es wahrscheinlich richtig ist und die Zahl der Fehlalarme minimiert wird.
• Wiedererkennung: Damit wird die Fähigkeit des Modells gemessen, alle vorhandenen Objekte zu finden. Eine hohe Recall bedeutet, dass das Modell die meisten Objekte in der Szene und minimiert falsch-negative Ergebnisse.

Die mAP umfasst die Erstellung einer Präzision-Rückruf-Kurve für jede Objektklasse. Die "durchschnittliche Präzision"AP) ist im Wesentlichen die Fläche unter dieser Kurve. Schließlich wird der "Mittelwert" in mAP ergibt sich aus der Mittelung dieser AP über alle Klassen im Datensatzes und liefert einen einzigen, umfassenden Wert.

mAP vs. mAP

Wenn Sie Forschungsarbeiten oder Modellvergleichsseiten lesen, werden Sie Häufig wird mAP mit verschiedenen Suffixen angegeben. Diese beziehen sich auf den IoU , ab dem eine Erkennung als "korrekt".

• mAP: Diese Metrik betrachtet eine Vorhersage als korrekt, wenn sie sich mit der Grundwahrheit um mindestens 50%. Dies war der Standard für ältere Datensätze wie Pascal VOC. Es ist eine nachsichtige Metrik die dem Auffinden des Objekts Vorrang vor einer perfekten Ausrichtung einräumt.
• mAP: Dieser durch den COCO populär gewordene Wert ist der moderne Goldstandard. Er bildet den Durchschnitt der in Schritten von 0,05 berechneten mAP von IoU 0,50 bis 0,95. Damit werden Modelle belohnt Modelle, die das Objekt nicht nur finden, sondern es auch mit extremer Genauigkeit auf Pixelebene lokalisieren, ein Hauptmerkmal von Ultralytics YOLO11.

Anwendungsfälle in der Praxis

Da mAP sowohl Fehlalarme als auch verpasste Erkennungen berücksichtigt, ist es in Umgebungen, in denen viel auf dem Spiel steht, von entscheidender Bedeutung.

1. Autonomes Fahren: Auf dem Gebiet der AI im Automobilbereich muss ein selbstfahrendes Auto Fußgänger, andere Fahrzeuge und Verkehrsschilder detect . Ein hoher mAP stellt sicher, dass das Wahrnehmungssystem keine Hindernisse verpasst (hohe Wiedererkennung) und gleichzeitig Phantombremsungen durch falsche Erkennungen vermeidet (hohe Präzision).
2. Medizinische Diagnostik: Unter medizinischen Bildanalyse erfordert die Identifizierung von Tumoren Frakturen eine hohe Präzision, um unnötige Biopsien zu vermeiden, und eine hohe Trefferquote, um sicherzustellen, dass kein Zustand unbehandelt bleibt. unbehandelt bleibt. KI im Gesundheitswesen stützt sich auf mAP , um um zu überprüfen, ob die Modelle Radiologen bei unterschiedlichen Patientendaten zuverlässig unterstützen können.

Unterscheidung zwischen mAP und verwandten Metriken

Es ist wichtig, mAP von ähnlichen Bewertungsbegriffen zu unterscheiden, um die richtige Metrik für Ihr Projekt zu wählen.

• vs. Genauigkeit: Die Genauigkeit ist das Verhältnis von korrekten Vorhersagen zu den gesamten Vorhersagen. Sie funktioniert gut bei der Bildklassifizierung, versagt aber bei der Objekterkennung versagt sie jedoch bei der Objekterkennung, da sie die Klasse "Hintergrund" oder die räumliche Überlappung von Feldern nicht berücksichtigt.
• vs. F1-Score: Der F1-Score ist das harmonische Mittelwert von Precision und Recall bei einer bestimmten Konfidenzschwelle. Er ist zwar nützlich für die Auswahl eines Betriebspunktes nützlich ist, ist mAP robuster, da es die Leistung über alle Konfidenzschwellen und nicht nur eine.

mAP mit Python

Das Ultralytics Python automatisiert den komplexen Prozess der mAP. Wenn Sie den Validierungsmodus auf einem trainierten Modell ausführen, können Sie sofort mAP sowohl für den 50%-Schwelle als auch für den strengeren Bereich von 50-95% abrufen.

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}")

Dieser Arbeitsablauf ermöglicht es Entwicklern, ihre Modelle mit Standard Datensätzen für die Objekterkennung, um sicherzustellen, dass ihre Anwendungen dass ihre Anwendungen vor dem Einsatz die erforderlichen Leistungsstandards erfüllen.