Mean Average Precision (mAP)
Mean Average Precision (mAP) がどのようにコンピュータビジョンモデルを評価するかを学びます。IoU、精度（precision）、再現率（recall）を探り、Ultralytics YOLO26 で mAP を計算してみましょう。
平均適合率（mAP）は、コンピュータビジョンモデルのパフォーマンス、特に物体検出やインスタンスセグメンテーションといったタスクを評価するために広く使用されている包括的な指標です。画像が正しく分類されたかどうかを確認するだけの単純な精度（Accuracy）とは異なり、mAPはモデルがどの程度正確に物体を発見し、かつそれらの周囲にBBoxをどれほど正確に配置できたかを評価します。そのため、YOLO26のような最先端のアーキテクチャを前世代と比較するための主要なベンチマークとなっています。すべてのクラスにわたる適合率（Precision）と再現率（Recall）のトレードオフを要約することで、mAPは現実世界のシナリオにおけるモデルの堅牢性を反映した単一のスコアを提供します。
Link to this sectionmAPの構成要素#
mAPを算出するには、まず検出品質を定義する3つの基礎概念を理解する必要があります。
- Intersection over Union (IoU): これは、予測されたボックスとground truthアノテーションとの間の空間的な重なりを測定するものです。0から1の範囲の比率で表されます。予測が「真陽性（True Positive）」と見なされるのは、多くの場合、IoUが0.5や0.75といった特定のしきい値を超えた時のみです。
- Precision: この指標は、「モデルが検出したと主張したすべての物体の中で、実際に正しかった割合はどれくらいか？」という問いに答えます。高い適合率は、モデルの偽陽性が非常に少ないことを意味します。
- Recall: この指標は、「画像内に実際に存在するすべての物体の中で、モデルが発見できた割合はどれくらいか？」という問いに答えます。高い再現率は、モデルが偽陰性を回避し、物体を見逃すことがほとんどないことを示します。
Link to this section計算方法#
The calculation begins by computing the Average Precision (AP) for each specific class (e.g., "person," "car," "dog"). This is done by finding the area under the Precision-Recall Curve, which plots precision against recall at various confidence thresholds. The "Mean" in Mean Average Precision simply refers to averaging these AP scores across all categories in the training data.
COCO datasetのような標準的な研究ベンチマークでは、以下の2つの主要なバリエーションが頻繁に報告されます。
-
mAP@50: これはIoUが0.50以上であれば検出を正解とみなします。これは寛容な指標です。
-
mAP@50-95: これは、0.50から0.95まで0.05刻みのIoUしきい値で計算されたmAPの平均値です。この厳格な指標は、高いlocalization accuracyを達成したモデルを高く評価します。
Link to this sectionmAPと関連指標の比較#
mAPをAccuracyと区別することが重要です。Accuracyは画像全体に対して単一のラベルが出力されるimage classificationには適していますが、物体検出では物体の空間的な位置や背景クラスを考慮しないため機能しません。同様に、F1-Scoreは「単一の」信頼度しきい値における適合率と再現率の調和平均を提供しますが、mAPは「すべての」信頼度レベルにわたるパフォーマンスを統合するため、モデルの安定性についてより全体的な視点を提供します。
Link to this section実社会での応用#
高いmAPスコアは、安全性と効率性が最優先される環境において極めて重要です。
- Autonomous Vehicles: 自動運転技術において、安全性は歩行者や交通標識を高い再現率（何も見逃さない）と高い適合率（誤った急ブレーキを避ける）で検出できるかどうかに依存します。mAPは、知覚システムがこれらのニーズを効果的に両立させていることを保証します。
- Medical Image Analysis: レントゲン写真で腫瘍や骨折を特定する際、放射線科医はAI in healthcareを利用して潜在的な問題を指摘します。高いmAPスコアは、モデルが誤報で医師を混乱させることなく確実に異常箇所を強調できることを示しており、正確な診断を促進します。
Link to this sectionUltralyticsを使用したmAPの測定#
最新のフレームワークでは、validationフェーズ中にこれらの指標の計算を簡略化できます。以下の例は、ultralytics Pythonパッケージを使用してモデルをロードし、mAPを計算する方法を示しています。
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}")mAPの理解と最適化は、model deploymentの前に不可欠です。このプロセスを効率化するため、Ultralytics Platformはトレーニング中のmAP、損失曲線、その他のKPIの自動追跡を提供しており、開発者は進捗を可視化して本番環境に最適なモデルチェックポイントを選択できます。
