Precisión mediamAP)

La precisión media (mAP) es una métrica integral ampliamente utilizada para evaluar el rendimiento de los modelos de visión artificial, concretamente en tareas como la detección de objetos y la segmentación de instancias. A diferencia de la simple precisión, que solo comprueba si una imagen se clasifica correctamente, mAP la capacidad de un modelo para encontrar objetos y la precisión con la que coloca el cuadro delimitador alrededor de ellos. Esto la convierte en el principal punto de referencia para comparar arquitecturas de última generación como YOLO26 con generaciones anteriores. Al resumir la relación entre precisión y recuperación en todas las clases, mAP una puntuación única que refleja la solidez de un modelo en escenarios del mundo real.

Los componentes mAP

Para calcular mAP, primero hay que entender tres conceptos básicos que definen la calidad de la detección:

• Intersección sobre unión (IoU): Mide la superposición espacial entre el recuadro previsto y la anotación de la verdad fundamental. Es una proporción que oscila entre 0 y 1. A menudo, una predicción solo se considera un «verdadero positivo» si la IoU un umbral específico, como 0,5 o 0,75.
• Precisión: Esta métrica responde a la pregunta: «De todos los objetos que el modelo afirma haber detect, ¿qué fracción era realmente correcta?». Una alta precisión significa que el modelo produce muy pocos falsos positivos.
• Recuperación: esta métrica pregunta: «De todos los objetos que realmente existen en la imagen, ¿qué fracción encontró el modelo ?». Una recuperación alta indica que el modelo evita falsos negativos y rara vez pasa por alto un objeto.

Metodología de cálculo

El cálculo comienza determinando la precisión media (AP) para cada clase específica (por ejemplo, «persona», «coche», «perro»). Esto se hace hallando el área bajo la curva de precisión-recuerdo, que traza la precisión frente al recuerdo en varios umbrales de confianza. La «media» en la precisión media simplemente se refiere al promedio de estas AP en todas las categorías de los datos de entrenamiento.

Los puntos de referencia de investigación estándar, como el COCO , suelen informar de dos variaciones principales:

1. mAP: Considera que una detección es correcta si el IoU al menos 0,50. Es una métrica indulgente.
2. mAP: Es la media del mAP en IoU de 0,50 a 0,95 en pasos de 0,05. Esta rigurosa métrica premia a los modelos que logran una alta precisión de localización.

mAP a métricas relacionadas

Es importante distinguir mAP precisión. La precisión es adecuada para la clasificación de imágenes, donde el resultado es una única etiqueta para toda la imagen, pero falla en la detección de objetos porque no tiene en cuenta la posición espacial del objeto ni la clase de fondo. Del mismo modo, mientras que la puntuación F1 proporciona una media armónica de la precisión y la recuperación en un único umbral de confianza, mAP el rendimiento en todos los niveles de confianza, lo que ofrece una visión más holística de la estabilidad del modelo.

Aplicaciones en el mundo real

mAP altas son fundamentales en entornos donde la seguridad y la eficiencia son primordiales.

• 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.
• Análisis de imágenes médicas: Al identificar tumores o fracturas en radiografías, los radiólogos confían en la IA en el ámbito sanitario para señalar posibles problemas. mAP alta indica que el modelo destaca de forma fiable las anomalías sin abrumar al médico con falsas alarmas, lo que facilita un diagnóstico preciso.

Medición de mAP Ultralytics

Los marcos modernos simplifican el cálculo de estas métricas durante el validación fase. El siguiente ejemplo muestra cómo cargar un modelo y calcular mAP el ultralytics Paquete 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}")

Comprender y optimizar el mAP fundamental antes de implementar el modelo. Para agilizar este proceso, la Ultralytics ofrece un seguimiento automatizado del mAP, las curvas de pérdida y otros KPI durante el entrenamiento, lo que permite a los desarrolladores visualizar el progreso y seleccionar el mejor punto de control del modelo para la producción.