Mean Average Precision (mAP)

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

Les 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) : Ceci mesure le chevauchement spatial entre la boîte prédite et l'annotation ground truth. C'est un rapport 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 : « Parmi tous les objets que le modèle a prétendument détectés, quelle fraction était réellement correcte ? » Une précision élevée signifie que le modèle produit très peu de false positives.
• Recall : Cette métrique demande : « 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 rate rarement un objet.

Méthodologie de calcul#

Le calcul commence par le calcul de l'Average Precision (AP) pour chaque classe spécifique (par exemple, « person », « car », « dog »). Pour ce faire, on calcule 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 désigne simplement la moyenne de ces scores d'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 de la 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.

mAP vs métriques associées#

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

Applications 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 rater) et une précision élevée (éviter le freinage fantôme). La 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 s'appuient sur l'AI in healthcare pour signaler des problèmes potentiels. Un score mAP élevé indique que le modèle met en évidence les anomalies de manière fiable sans submerger le médecin de fausses alarmes, facilitant ainsi un diagnostic précis.

Mesurer le 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 crucial avant le model deployment. Pour simplifier ce processus, la Ultralytics Platform propose un suivi automatisé de la mAP, des courbes de perte et d'autres KPI pendant l'entraînement, permettant de visualiser les progrès et de sélectionner le meilleur point de contrôle du modèle pour la production.