Mean Average Precision (mAP)

Mean Average Precision (mAP) è una metrica completa ampiamente utilizzata per valutare le prestazioni dei modelli di computer vision, in particolare in attività come il rilevamento oggetti e la segmentazione di istanze. A differenza della semplice accuratezza, che verifica solo se un'immagine è classificata correttamente, la mAP valuta quanto bene un modello trova gli oggetti e con quale precisione posiziona il bounding box attorno ad essi. Questo la rende il punto di riferimento principale per confrontare architetture all'avanguardia come YOLO26 con le generazioni precedenti. Riassumendo il compromesso tra precisione e richiamo (recall) su tutte le classi, la mAP fornisce un unico punteggio che riflette la robustezza di un modello in scenari del mondo reale.

Link to this sectionLe componenti della mAP#

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

• Intersection over Union (IoU): misura la sovrapposizione spaziale tra il box predetto e l'annotazione di ground truth. È un rapporto che varia da 0 a 1. Una previsione è spesso considerata un "Vero Positivo" solo se l'IoU supera una soglia specifica, come 0.5 o 0.75.
• Precision: questa metrica risponde alla domanda: "Di tutti gli oggetti che il modello ha dichiarato di rilevare, quale frazione era effettivamente corretta?". Un'alta precisione significa che il modello produce pochissimi falsi positivi.
• Recall: questa metrica chiede: "Di tutti gli oggetti che esistono realmente nell'immagine, quale frazione ha trovato il modello?". Un alto richiamo indica che il modello evita i falsi negativi e raramente perde un oggetto.

Link to this sectionMetodologia di calcolo#

Il calcolo inizia computando la Average Precision (AP) per ogni specifica classe (ad esempio, "persona", "auto", "cane"). Questo si ottiene trovando l'area sotto la Precision-Recall Curve, che traccia la precisione rispetto al richiamo a varie soglie di confidence. La "Media" in Mean Average Precision si riferisce semplicemente al calcolo della media di questi punteggi AP su tutte le categorie nei dati di addestramento.

I benchmark di ricerca standard, come il COCO dataset, riportano frequentemente due variazioni principali:

1. mAP@50: considera un rilevamento corretto se l'IoU è almeno 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.

Link to this sectionmAP vs. metriche correlate#

È importante distinguere la mAP dall'Accuracy. L'accuratezza è adatta per la classificazione delle immagini dove l'output è una singola etichetta per l'intera immagine, ma fallisce nel rilevamento oggetti perché non tiene conto della posizione spaziale dell'oggetto o della classe di sfondo. Allo stesso modo, mentre l'F1-Score fornisce una media armonica di precisione e richiamo a una singola soglia di confidenza, la mAP integra le prestazioni su tutti i livelli di confidenza, offrendo una visione più olistica della stabilità del modello.

Link to this sectionApplicazioni nel mondo reale#

Punteggi mAP elevati sono fondamentali in ambienti in cui la sicurezza e l'efficienza sono di primaria importanza.

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

Link to this sectionMisurare la mAP con Ultralytics#

I framework moderni semplificano il calcolo di queste metriche durante la fase di validazione. L'esempio seguente dimostra 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 cruciale prima del model deployment. Per semplificare questo processo, la Ultralytics Platform offre il tracciamento automatizzato di mAP, curve di perdita e altri KPI durante l'addestramento, consentendoti di visualizzare i progressi e selezionare il miglior checkpoint del modello per la produzione.