平均平均精度mAP

平均精度（mAP）は、コンピュータビジョンモデルの性能評価に広く用いられる包括的な指標であり、特に物体検出 やインスタンスセグメンテーションなどのタスクで活用される。単純な精度（正答率）が画像の分類が正しいか否かを検証するのみであるのに対し、mAP モデルが物体をどれだけ見つけられるか、そしてそれらを囲む境界ボックスをどれだけ正確に位置付けられるmAP 。 この特性により、 YOLO26などの最先端アーキテクチャを 従来世代と比較する主要なベンチマークとなっています。 全クラスにおける精度と再現率のトレードオフを統合することで、 mAP 実世界シナリオにおけるモデルの頑健性を反映する 単一のスコアmAP 。

mAP構成要素

mAP計算するには、まず検出品質を定義する3つの基本概念を理解する必要があります：

• 交差率（IoU）: これは予測ボックスと 真値アノテーションの空間的重なりを測定します。0から1の範囲の比率です。 予測は、IoU 特定の閾値（例えば0.5や0.75）IoU 場合にのみ「真陽性」と見なされることがよくあります。
• 精度: この指標は「モデルがdetect主張した全オブジェクトのうち、実際に正しいものはどの程度の割合か？」という問いに答えます。高い精度とは、モデルが生成する誤検知が非常に少ないことを意味します。
• リコールリコール: 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、モデルが検出できた割合はどれくらいか」を問うものです。高いリコール値は、モデルが偽陰性を回避し、物体を検出漏れすることが稀であることを示します。

計算方法論

計算は、各特定クラス（例：「人」、「車」、「犬」）の平均精度（AP）を算出することから始まる。これは、様々な信頼度閾値における精度と再現率の関係を示す精度-再現率曲線の下の面積を求めることで行われる。平均平均精度（MAP）における「平均」とは、単に平均値を指す。 「車」、「犬」など）の平均精度（AP）を計算することから始まります。これは、様々な信頼度閾値における精度と再現率の関係を示す精度-再現率曲線の下の面積を求めることで行われます。「平均」平均精度（Mean Average Precision）とは、単にトレーニングデータ内の全カテゴリにわたってAP スコア AP 平均することを指します。

COCO などの標準的な研究ベンチマークでは、主に以下の2つのバリエーションが頻繁に報告される：

1. mAP: この指標は、IoU が0.50以上であれば検出を正しいと見なします。これは寛容な指標です。
2. mAP: これは、IoU .50から0.95まで0.05刻みでmAP 平均値です。 この厳密な指標は、高い局所化精度を達成するモデルを評価します。

mAP 関連指標

mAP 精度の区別は重要です。 精度 は画像分類に適しており、出力は画像全体に対する単一のラベルとなるが、物体検出では失敗する。なぜなら、物体の空間的位置や背景クラスを考慮しないからである。同様に、F1スコアは 単一の信頼度しきい値における精度と再現率の調和平均を提供する一方、mAP 全ての信頼度レベルにわたる性能mAP 、モデルの安定性に対するより包括的な視点を提供する。

実際のアプリケーション

安全性と効率性が最優先される環境では、高いmAP 極めて重要である。

• 自動運転車両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リコール率（見逃しなし）と高い精度（誤作動による急ブレーキ回避）で検出できるかどうかにかかっている。mAP 、知覚システムがこれらの要件を効果的にバランスさせることをmAP 。
• 医療画像解析: X線画像における腫瘍や骨折の特定において、放射線科医は医療分野のAIを活用し潜在的な問題を指摘する。高いmAP 、モデルが誤警報で医師を圧倒することなく確実に異常を強調し、正確な診断を促進することを示している。

Ultralytics mAP 測定

現代のフレームワークは、これらの指標の計算を簡素化します。 検証 フェーズ。次の例は、モデルmAP 、mAP 計算する方法を示しています。 ultralytics Python パッケージ。

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}")

モデル展開前に mAP 理解と最適化mAP 極めてmAP このプロセスを効率化するため、Ultralytics mAP、損失曲線、その他のKPIの自動追跡を提供し、 開発者が進捗を可視化し、本番環境向けの最適なモデルチェックポイントを選択できるようにします。