Precisión mediamAP)

La precisión mediamAP) es la métrica de rendimiento definitiva utilizada para evaluar modelos de visión por ordenador, en concreto diseñados para la detección de segmentación de instancias. A diferencia de la de clasificación, que sólo determina si la etiqueta de una imagen es correcta, la mAP evalúa la capacidad de un modelo tanto para clasificar correctamente un objeto como para localizarlo con precisión dentro de una imagen mediante un algoritmo de segmentación. classify correctamente un objeto y localizarlo con precisión en una imagen mediante un cuadro delimitador. Esta evaluación de doble propósito la convierte en el estándar del sector para la evaluación comparativa de arquitecturas modernas como YOLO11 frente a otros detectores de última generación.

Los componentes mAP

Para entender mAP, primero hay que comprender la relación entre tres conceptos fundacionales: Intersección sobre Unión (IoU), precisión y recuperación.

• Intersección sobre Unión (IoU): Mide el solapamiento espacial entre la caja pronosticada y la (la ubicación real del objeto). Es un cociente que oscila entre 0 y 1. Un IoU más alto indica que la modelo se aproxima mucho a la realidad.
• Precisión: Mide la fiabilidad de las predicciones. Una alta precisión en precisión significa que cuando el modelo predice un objeto, es probable que sea correcto, minimizando los falsos positivos.
• Recuperación: Mide la capacidad del modelo para encontrar todos los objetos existentes. Si significa que el modelo capta la mayoría de los objetos de la escena, minimizando los falsos negativos.

El cálculo mAP consiste en trazar una curva Precisión-Recuperación para cada clase de objeto. La "precisión media"APPA) es esencialmente el área bajo esta curva. Por último, la Por último, la "media" de mAP se obtiene promediando las puntuaciones AP de todas las clases del conjunto de datos, lo que proporciona una puntuación única y global. del conjunto de datos, lo que proporciona una puntuación única y global.

mAP frente a mAP

Al leer artículos de investigación o páginas de comparación de modelos mAP con diferentes sufijos. Estos se refieren al umbral IoU utilizado para considerar una detección "correcta".

• mAP: Esta métrica considera que una predicción es correcta si se solapa con la verdad sobre el terreno en al menos un 50%. Esta era la norma para conjuntos de datos antiguos como Pascal VOC. Es una métrica indulgente que da prioridad a la búsqueda del objeto frente a la alineación perfecta.
• mAP: Popularizado por el conjunto de datosCOCO , es el estándar de oro moderno. Promedia el mAP calculado en pasos de 0,05 desde IoU 0,50 a 0,95. Esto recompensa a los modelos que no sólo encuentran el objeto, sino que lo localizan con una precisión extrema a nivel de píxel, una característica clave de Ultralytics YOLO11.

Aplicaciones en el mundo real

Dado que mAP tiene en cuenta tanto las falsas alarmas como las detecciones fallidas, es fundamental en entornos de alto riesgo.

1. Conducción autónoma: En el campo de la IA en automoción, un coche de conducción autónoma debe detect peatones, otros vehículos y señales de tráfico. Una puntuación mAP alta garantiza que el sistema de percepción no pase por alto obstáculos (alta capacidad de recuperación), evitando al mismo tiempo el frenado fantasma causado por falsas detecciones (alta precisión).
2. Diagnóstico médico: En análisis de imágenes médicas, la identificación de tumores o fracturas requiere una gran precisión para evitar biopsias innecesarias y una gran capacidad de recuperación para garantizar que ninguna afección quede sin tratar. sin tratar. La IA en la atención sanitaria se basa en mAP para validar que los modelos puedan ayudar de forma fiable a los radiólogos en diversos datos de pacientes.

Diferenciar mAP de las métricas relacionadas

Es importante distinguir mAP de otros términos de evaluación similares para elegir la métrica adecuada para su proyecto.

• vs. Precisión: La precisión es la proporción de predicciones correctas sobre el total de predicciones. Funciona bien para la clasificación de imágenes, pero falla en la detección de objetos porque no tiene en cuenta la clase "fondo" ni el solapamiento espacial de los recuadros.
• vs. Puntuación F1: La puntuación F1 es la media armónica de la precisión y la recuperación en un umbral de confianza específico. Aunque es útil para seleccionar un punto de funcionamiento, mAP es más robusto porque evalúa el rendimiento en todos los umbrales de confianza en lugar de sólo uno.

Cálculo de mAP con Python

El paquetePython Ultralytics automatiza el complejo proceso de calcular el mAP. Ejecutando el modo de validación en un modelo entrenado, puede recuperar instantáneamente las puntuaciones mAP tanto para el umbral del 50% como para el rango más estricto del 50-95%. tanto para el umbral del 50% como para el rango más estricto del 50-95%.

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}")

Este flujo de trabajo permite a los desarrolladores comparar sus modelos con conjuntos de datos estándar para la detección de objetos. estándar para la detección de objetos, garantizando que sus aplicaciones cumplen las normas de rendimiento necesarias antes de su despliegue.