Mean Average Precision (mAP)

La précision moyenne moyenne (mAP) est une métrique complète largement utilisée pour évaluer les performances des modèles de vision par ordinateur, notamment dans des tâches comme la détection d’objets et la segmentation d’instances. Contrairement à la simple exactitude, qui vérifie uniquement si une image est correctement classifiée, la mAP évalue la capacité d’un modèle à trouver les objets et à positionner précisément la boîte englobante autour d’eux. Elle constitue ainsi la référence principale pour comparer des architectures de pointe comme YOLO26 aux générations précédentes. En résumant le compromis entre précision et rappel pour toutes les classes, la mAP fournit un score unique qui reflète la robustesse d’un modèle dans des scénarios réels.

Les composants de la mAP#

Pour calculer la mAP, il faut d’abord comprendre trois concepts sous-jacents qui définissent la qualité de la détection :

• Intersection sur union (IoU) : cette mesure évalue le chevauchement spatial entre la boîte prédite et l’annotation de vérité terrain. Il s’agit d’un ratio compris entre 0 et 1. Une prédiction est souvent considérée comme un « vrai positif » uniquement si l’IoU dépasse un seuil spécifique, tel que 0,5 ou 0,75.
• Précision : cette métrique répond à la question suivante : « Parmi tous les objets que le modèle a déclaré avoir détectés, quelle fraction était effectivement correcte ? » Une précision élevée signifie que le modèle produit très peu de faux positifs.
• Rappel : cette métrique pose la question suivante : « Parmi 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.

Méthodologie de calcul#

Le calcul commence par celui de la précision moyenne (AP) pour chaque classe spécifique (par exemple, « personne », « voiture », « chien »). Cela se fait en calculant l’aire sous la courbe précision-rappel, qui représente la précision en fonction du rappel pour différents seuils de confiance. La « moyenne » de la précision moyenne désigne simplement la moyenne de ces scores AP pour toutes les catégories des données d’entraînement.

Les références de recherche standard, comme le jeu de données COCO, présentent fréquemment deux variantes principales :

1. mAP@50 : une détection est considérée comme correcte si l’IoU est d’au moins 0,50. Il s’agit d’une métrique peu stricte.

2. mAP@50-95 : il s’agit de la moyenne de la mAP calculée pour 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 précision de localisation élevée.

mAP et métriques associées#

Il est important de distinguer la mAP de l’exactitude. L’exactitude convient à la classification d’images, où la sortie est une seule étiquette pour toute l’image, mais elle échoue en détection d’objets, car elle ne tient pas compte de la position spatiale de l’objet ni de la classe d’arrière-plan. De même, tandis que le score F1 fournit une moyenne harmonique de la précision et du rappel pour un seul seuil de confiance, la mAP intègre les performances pour tous les niveaux de confiance, offrant une vision plus globale de la stabilité du modèle.

Applications concrètes#

Des scores mAP élevés sont essentiels dans les environnements où la sécurité et l’efficacité sont prioritaires.

• Véhicules autonomes : dans le domaine de la conduite autonome, la sécurité dépend de la détection des piétons et des panneaux de signalisation avec un rappel élevé (ne rien manquer) et une précision élevée (éviter les freinages fantômes). La mAP garantit que le système de perception équilibre efficacement ces exigences.
• Analyse d’images médicales : pour identifier des tumeurs ou des fractures sur des radiographies, les radiologues s’appuient sur l’IA dans le domaine de la santé 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, ce qui facilite un diagnostic précis.

Mesurer la mAP avec Ultralytics#

Les frameworks modernes simplifient le calcul de ces métriques pendant la phase de validation. L’exemple suivant montre comment charger un modèle et calculer la mAP à l’aide du 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 la mAP est essentiel avant le déploiement du modèle. Pour simplifier ce processus, l’Ultralytics Platform assure le suivi automatisé de la mAP, des courbes de perte et d’autres KPI pendant l’entraînement, ce qui permet aux développeurs de visualiser les progrès et de sélectionner le meilleur point de contrôle du modèle pour la production.