Precisione mediamAP)

La precisione mediamAP) è la metrica di prestazione definitiva utilizzata per valutare i modelli di visione computerizzata. modelli di computer vision, in particolare quelli di rilevamento degli oggetti e di segmentazione delle istanze. segmentazione di istanze. A differenza della semplice precisione di classificazione, che determina solo se l'etichetta di un'immagine è corretta, la mAP valuta la capacità di un modello di classificare correttamente un oggetto e di localizzarlo con precisione all'interno dell'immagine. di classify correttamente un oggetto e di localizzarlo con precisione all'interno di un'immagine utilizzando una un riquadro di delimitazione. Questo doppio scopo di valutazione lo rende lo standard del settore per il benchmarking di architetture moderne quali YOLO11 rispetto ad altri rilevatori all'avanguardia.

I componenti della mAP

Per comprendere la mAP, occorre innanzitutto capire la relazione tra tre concetti fondamentali: Intersezione su Unione (IoU), precisione e richiamo.

• Intersezione su Unione (IoU): Misura la sovrapposizione spaziale tra il riquadro previsto e la verità a terra (la posizione effettiva dell'oggetto). verità a terra (la posizione effettiva dell'oggetto). Si tratta di un rapporto che va da 0 a 1. Un IoU più alto indica che la localizzazione del modello è molto vicina alla realtà.
• Precisione: Misura l'affidabilità delle previsioni. Un'alta precisione significa che quando il modello predice un oggetto, è probabile che sia corretto, riducendo al minimo i falsi positivi.
• Richiamo: Misura la capacità del modello di trovare tutti gli oggetti esistenti. Un'alta significa che il modello cattura la maggior parte degli oggetti presenti nella scena, riducendo al minimo i falsi negativi.

Il calcolo della mAP consiste nel tracciare una curva precisione-richiamo per ogni classe di oggetti. La "precisione media"AP) è essenzialmente l'area sotto questa curva. Infine, la "media" di mAP deriva dalla media di questi punteggi AP per tutte le classi del dataset, fornendo un unico punteggio completo. del set di dati, fornendo un unico punteggio complessivo.

mAP vs. mAP

Quando si leggono i documenti di ricerca o le pagine di confronto dei modelli, spesso si vede spesso si vedono mAP riportati con suffissi diversi. Questi si riferiscono alla soglia IoU utilizzata per considerare un rilevamento "corretto".

• mAP: questa metrica considera una previsione corretta se si sovrappone alla verità a terra di almeno il 50%. 50%. Questo era lo standard per i vecchi set di dati come Pascal VOC. È una metrica indulgente che che privilegia l'individuazione dell'oggetto rispetto all'allineamento perfetto.
• mAP: Diffuso dal set di datiCOCO , questo è il moderno gold standard. Calcola la media dei mAP calcolati con incrementi di 0,05 da IoU 0,50 a 0,95. Questo premia i modelli che non solo trovano l'oggetto, ma lo localizzano con estrema accuratezza a livello di pixel, una caratteristica chiave di Ultralytics YOLO11.

Applicazioni nel mondo reale

Poiché l mAP tiene conto sia dei falsi allarmi che dei mancati rilevamenti, è fondamentale in ambienti ad alto rischio.

1. Guida autonoma: Nel campo della AI nel settore automobilistico, un'auto a guida autonoma deve detect pedoni, altri veicoli e segnali stradali. Un punteggio mAP elevato garantisce che il sistema di percezione non manchi gli ostacoli (alto richiamo), evitando al contempo frenate fantasma causate da falsi rilevamenti (alta precisione).
2. Diagnostica medica: Nell'analisi delle immagini mediche analisi delle immagini mediche, l'identificazione di tumori o fratture richiede un'elevata precisione per evitare biopsie non necessarie e un elevato richiamo per assicurare che nessuna condizione venga non venga trattata. L'intelligenza artificiale nel settore sanitario si affida alla mAP per convalidare la capacità dei modelli di assistere in modo affidabile i radiologi su dati di pazienti diversi.

Differenziare la mAP dalle metriche correlate

È importante distinguere la mAP da termini di valutazione simili per scegliere la metrica giusta per il vostro progetto.

• vs. Precisione: L'accuratezza è il rapporto tra le previsioni corrette rispetto alle previsioni totali. Funziona bene per la classificazione delle immagini, ma fallisce nel rilevamento di oggetti perché non tiene conto della classe "sfondo" o della sovrapposizione spaziale delle caselle.
• rispetto al punteggio F1: Il punteggio F1 è la media armonica di precisione e richiamo a una specifica soglia di confidenza. Sebbene sia utile per selezionare un punto operativo, mAP è più robusto perché valuta le prestazioni su tutte le soglie diconfidenza anziché su una sola. soglie di confidenza anziché una sola.

Calcolo di mAP con Python

Il pacchettoUltralytics Python automatizza il complesso processo di calcolo di mAP. Eseguendo la modalità di convalida su un modello addestrato, è possibile recuperare istantaneamente i punteggi mAP sia per la soglia del 50% che per il più severo intervallo 50-95%. soglia del 50% sia per il più severo intervallo 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}")

Questo flusso di lavoro consente agli sviluppatori di effettuare il benchmark dei loro modelli su set di dati standard di dati standard per il rilevamento degli oggetti, assicurando che le loro applicazioni soddisfino gli standard di prestazione necessari prima della distribuzione.