Mittlere durchschnittliche PräzisionmAP)

Die mittlere durchschnittliche Präzision (mAP) ist eine umfassende Metrik, die häufig zur Bewertung der Leistung von Computervisionsmodellen verwendet wird, insbesondere bei Aufgaben wie der Objekterkennung und der Instanzsegmentierung. Im Gegensatz zur einfachen Genauigkeit, bei der lediglich überprüft wird, ob ein Bild korrekt klassifiziert wurde, mAP , wie gut ein Modell Objekte findet und wie genau es die Begrenzungsbox um sie herum positioniert. Dies macht sie zum wichtigsten Maßstab für den Vergleich modernster Architekturen wie YOLO26 mit früheren Generationen. Durch die Zusammenfassung des Kompromisses zwischen Präzision und Recall über alle Klassen hinweg mAP einen einzigen Wert, der die Robustheit eines Modells in realen Szenarien widerspiegelt.

Die Bestandteile von mAP

Um mAP zu berechnen, müssen zunächst drei grundlegende Konzepte verstanden werden, die die Erkennungsqualität definieren:

• Intersection over Union (IoU): Misst die räumliche Überlappung zwischen der vorhergesagten Box und der Ground-Truth-Annotation. Es handelt sich um ein Verhältnis zwischen 0 und 1. Eine Vorhersage wird oft nur dann als „True Positive” betrachtet, wenn die IoU einen bestimmten Schwellenwert IoU , z. B. 0,5 oder 0,75.
• Präzision: Diese Metrik beantwortet die Frage: „Von allen Objekten, die das Modell angeblich detect, welcher Anteil war tatsächlich korrekt?“ Eine hohe Präzision bedeutet, dass das Modell nur sehr wenige Falschmeldungen
• Recall: Diese Metrik fragt: „Welchen Anteil aller tatsächlich im Bild vorhandenen Objekte hat das Modell gefunden ?“ Ein hoher Recall-Wert bedeutet, dass das Modell falsch-negative Ergebnisse vermeidet und selten ein Objekt übersieht.

Berechnungsmethodik

Die Berechnung beginnt mit der Ermittlung der durchschnittlichen Präzision (AP) für jede spezifische Klasse (z. B. „Person“, „Auto“, „Hund“). Dazu wird die Fläche unter der Präzisions-Recall-Kurve ermittelt, die die Präzision gegenüber dem Recall bei verschiedenen Konfidenzschwellenwerten darstellt. Der „Mittelwert“ in der mittleren durchschnittlichen Präzision bezieht sich einfach auf den Durchschnitt dieser AP über alle Kategorien in den Trainingsdaten.

Standard-Forschungsbenchmarks wie der COCO weisen häufig zwei Hauptvarianten auf:

1. mAP: Hier wird eine Erkennung als korrekt angesehen, wenn der IoU mindestens 0,50 IoU . Es handelt sich um eine großzügige Metrik.
2. mAP: Dies ist der Durchschnitt des mAP bei IoU von 0,50 bis 0,95 in Schritten von 0,05. Diese strenge Metrik belohnt Modelle, die eine hohe Lokalisierungsgenauigkeit erzielen.

mAP . verwandte Metriken

Es ist wichtig, mAP Genauigkeit zu unterscheiden. Die Genauigkeit eignet sich für die Bildklassifizierung, bei der die Ausgabe ein einzelnes Label für das gesamte Bild ist, versagt jedoch bei der Objekterkennung, da sie die räumliche Position des Objekts oder die Hintergrundklasse nicht berücksichtigt. Ähnlich verhält es sich mit dem F1-Score, der einen harmonischen Mittelwert aus Präzision und Recall bei einem einzigen Konfidenzschwellenwert liefert, während mAP die Leistung über alle Konfidenzstufen hinweg mAP und somit einen ganzheitlicheren Überblick über die Modellstabilität bietet.

Anwendungsfälle in der Praxis

Hohe mAP sind in Umgebungen, in denen Sicherheit und Effizienz von größter Bedeutung sind, von entscheidender Bedeutung.

• Autonomous Vehicles: In self-driving technology, safety depends on detecting pedestrians and traffic signs with high recall (not missing anything) and high precision (avoiding phantom braking). mAP ensures the perception system balances these needs effectively.
• Medizinische Bildanalyse: Bei der Identifizierung von Tumoren oder Frakturen in Röntgenbildern verlassen sich Radiologen auf KI im Gesundheitswesen, um potenzielle Probleme zu erkennen. Ein hoher mAP zeigt an, dass das Modell Anomalien zuverlässig hervorhebt, ohne den Arzt mit Fehlalarmen zu überfordern, was eine genaue Diagnose erleichtert.

Messung von mAP Ultralytics

Moderne Frameworks vereinfachen die Berechnung dieser Kennzahlen während der Validierung Phase. Das folgende Beispiel zeigt, wie ein Modell geladen und mAP dem ultralytics 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}")

Das Verständnis und die Optimierung von mAP vor der Modellbereitstellung von entscheidender Bedeutung. Um diesen Prozess zu optimieren, bietet Ultralytics eine automatisierte Verfolgung von mAP, Verlustkurven und anderen KPIs während des Trainings, sodass Entwickler den Fortschritt visualisieren und den besten Modell-Checkpoint für die Produktion auswählen können.