Mean Average Precision (mAP)

Mean Average Precision (mAP) est une métrique complète largement utilisée pour évaluer la performance des modèles de computer vision, spécifiquement dans des tâches comme la object detection et la instance segmentation. Contrairement à une simple précision, qui vérifie seulement si une image est correctement classée, le mAP évalue dans quelle mesure un modèle trouve des objets et avec quelle précision il positionne la bounding box autour d'eux. Cela en fait la référence principale pour comparer des architectures de pointe comme YOLO26 aux générations précédentes. En résumant le compromis entre précision et rappel sur toutes les classes, le mAP fournit un score unique qui reflète la robustesse d'un modèle dans des scénarios réels.

Link to this sectionLes composants du mAP#

Pour calculer le mAP, il est nécessaire de comprendre d'abord trois concepts sous-jacents qui définissent la qualité de la détection :

• Intersection over Union (IoU) : Cela mesure le chevauchement spatial entre la boîte prédite et l'annotation ground truth. C'est un ratio allant de 0 à 1. Une prédiction est souvent considérée comme un « True Positive » uniquement si l'IoU dépasse un seuil spécifique, tel que 0,5 ou 0,75.
• Precision : Cette métrique répond à la question : « Sur tous les objets que le modèle a prétendu détecter, quelle fraction était réellement correcte ? » Une haute précision signifie que le modèle produit très peu de false positives.
• Recall : Cette métrique demande : « Sur tous les objets qui existent réellement dans l'image, quelle fraction le modèle a-t-il trouvée ? » Un rappel élevé indique que le modèle évite les faux négatifs et manque rarement un objet.

Link to this sectionMéthodologie de calcul#

Le calcul commence par le calcul de l'Average Precision (AP) pour chaque classe spécifique (par exemple, « personne », « voiture », « chien »). Cela se fait en trouvant l'aire sous la Precision-Recall Curve, qui trace la précision en fonction du rappel à divers seuils de confidence. Le « Mean » dans Mean Average Precision fait simplement référence à la moyenne de ces scores AP sur toutes les catégories dans les training data.

Les benchmarks de recherche standard, tels que le COCO dataset, rapportent fréquemment deux variations principales :

1. mAP@50 : Cela considère qu'une détection est correcte si l'IoU est d'au moins 0,50. C'est une métrique indulgente.

2. mAP@50-95 : Il s'agit de la moyenne du mAP calculée à des seuils d'IoU allant de 0,50 à 0,95 par incréments de 0,05. Cette métrique rigoureuse récompense les modèles qui atteignent une localization accuracy élevée.

Link to this sectionmAP vs métriques associées#

Il est important de distinguer le mAP de l'Accuracy. L'Accuracy est adaptée à la image classification où la sortie est une seule étiquette pour l'image entière, mais elle échoue dans la détection d'objets car elle ne prend pas en compte la position spatiale de l'objet ou la classe d'arrière-plan. De même, bien que le F1-Score fournisse une moyenne harmonique de la précision et du rappel à un seul seuil de confiance, le mAP intègre la performance sur tous les niveaux de confiance, offrant une vue plus holistique de la stabilité du modèle.

Link to this sectionApplications concrètes#

Des scores mAP élevés sont critiques dans les environnements où la sécurité et l'efficacité sont primordiales.

• Autonomous Vehicles : Dans la technologie de conduite autonome, la sécurité dépend de la détection des piétons et des panneaux de signalisation avec un rappel élevé (ne rien manquer) et une haute précision (évitant le freinage fantôme). Le mAP garantit que le système de perception équilibre ces besoins efficacement.
• Medical Image Analysis : Lors de l'identification de tumeurs ou de fractures dans des radiographies, les radiologues comptent sur l'AI in healthcare pour signaler les problèmes potentiels. Un score mAP élevé indique que le modèle met en évidence les anomalies de manière fiable sans submerger le médecin de fausses alertes, facilitant un diagnostic précis.

Link to this sectionMesurer le mAP avec Ultralytics#

Les frameworks modernes simplifient le calcul de ces métriques pendant la phase de validation. L'exemple suivant démontre comment charger un modèle et calculer le mAP en utilisant le package Python ultralytics.

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}")

Comprendre et optimiser le mAP est crucial avant le model deployment. Pour rationaliser ce processus, la Ultralytics Platform propose un suivi automatisé du mAP, des courbes de perte et d'autres KPI pendant l'entraînement, permettant aux développeurs de visualiser la progression et de sélectionner le meilleur point de contrôle du modèle pour la production.