Mean Average Precision (mAP)

La precisione media media (mAP) è una metrica completa ampiamente utilizzata per valutare le prestazioni dei modelli di visione artificiale, in particolare in attività come il rilevamento degli oggetti e la segmentazione delle istanze. A differenza della semplice accuratezza, che verifica soltanto se un'immagine è classificata correttamente, la mAP valuta quanto bene un modello individua gli oggetti e quanto accuratamente posiziona il riquadro di delimitazione attorno a essi. Questo la rende il principale benchmark per confrontare architetture all'avanguardia come YOLO26 con le generazioni precedenti. Riassumendo il compromesso tra precisione e richiamo per tutte le classi, la mAP fornisce un singolo punteggio che riflette la robustezza di un modello in scenari reali.

I componenti della mAP#

Per calcolare la mAP, è necessario innanzitutto comprendere tre concetti alla base che definiscono la qualità del rilevamento:

• Intersezione sull'unione (IoU): misura la sovrapposizione spaziale tra il riquadro predetto e l'annotazione di riferimento. È un rapporto compreso tra 0 e 1. Una predizione viene spesso considerata un "vero positivo" solo se la IoU supera una soglia specifica, ad esempio 0,5 o 0,75.
• Precisione: questa metrica risponde alla domanda: "Di tutti gli oggetti che il modello ha dichiarato di aver rilevato, quale frazione era effettivamente corretta?" Una precisione elevata significa che il modello produce pochissimi falsi positivi.
• Richiamo: questa metrica chiede: "Di tutti gli oggetti effettivamente presenti nell'immagine, quale frazione ha trovato il modello?" Un richiamo elevato indica che il modello evita i falsi negativi e raramente non rileva un oggetto.

Metodologia di calcolo#

Il calcolo inizia determinando la precisione media (AP) per ogni classe specifica (ad esempio, "persona", "auto", "cane"). Questo avviene calcolando l'area sotto la curva precisione-richiamo, che traccia la precisione rispetto al richiamo a diverse soglie di confidenza. La "media" in precisione media media si riferisce semplicemente alla media di questi punteggi AP calcolata su tutte le categorie nei dati di addestramento.

I benchmark di ricerca standard, come il dataset COCO, riportano spesso due varianti principali:

1. mAP@50: considera corretta una rilevazione se la IoU è almeno pari a 0,50. È una metrica permissiva.

2. mAP@50-95: è la media della mAP calcolata a soglie IoU da 0,50 a 0,95 con incrementi di 0,05. Questa metrica rigorosa premia i modelli che raggiungono un'elevata accuratezza di localizzazione.

mAP e metriche correlate#

È importante distinguere la mAP dall'accuratezza. L'accuratezza è adatta alla classificazione delle immagini, in cui l'output è una singola etichetta per l'intera immagine, ma non è efficace nel rilevamento degli oggetti perché non tiene conto della posizione spaziale dell'oggetto né della classe di sfondo. Analogamente, mentre l'F1-Score fornisce la media armonica di precisione e richiamo a una singola soglia di confidenza, la mAP integra le prestazioni a tutti i livelli di confidenza, offrendo una visione più completa della stabilità del modello.

Applicazioni nel mondo reale#

Punteggi mAP elevati sono fondamentali negli ambienti in cui sicurezza ed efficienza sono prioritarie.

• Veicoli autonomi: nella tecnologia dei veicoli a guida autonoma, la sicurezza dipende dal rilevamento di pedoni e segnali stradali con un richiamo elevato (per non perdere nulla) e una precisione elevata (evitando frenate fantasma). La mAP garantisce che il sistema di percezione bilanci efficacemente queste esigenze.
• Analisi delle immagini mediche: nell'identificazione di tumori o fratture nelle radiografie, i radiologi si affidano all'IA in ambito sanitario per segnalare potenziali problemi. Un punteggio mAP elevato indica che il modello evidenzia in modo affidabile le anomalie senza sovraccaricare il medico di falsi allarmi, facilitando una diagnosi accurata.

Misurare la mAP con Ultralytics#

I framework moderni semplificano il calcolo di queste metriche durante la fase di validazione. L'esempio seguente mostra come caricare un modello e calcolare la mAP utilizzando il pacchetto 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}")

Comprendere e ottimizzare la mAP è fondamentale prima della distribuzione del modello. Per semplificare questo processo, la Ultralytics Platform offre il monitoraggio automatico della mAP, delle curve di perdita e di altri KPI durante l'addestramento, consentendo agli sviluppatori di visualizzare i progressi e selezionare il checkpoint del modello migliore per la produzione.