平均平均精度mAP

平均平均精度mAP）は、コンピュータビジョンモデルを評価するために使用される決定的なパフォーマンス指標です。 コンピュータビジョンモデル、特に物体検出と を評価するために使用される決定的な性能指標である。 インスタンス分割のために設計されたものです。単純な mAP 、画像ラベルが正しいかどうかだけを判断する単純な分類精度とは異なり、物体を正しく分類し、画像内で物体の位置を正確に特定するモデルの能力を評価します。 オブジェクトを正しくclassify し、バウンディングボックスを使用して画像内のオブジェクトの位置を正確に特定する能力を評価します。 バウンディングボックスこの2つの目的による評価により のような最新のアーキテクチャをベンチマークするための業界標準となっています。 YOLO11のような最新アーキテクチャを、他の最先端の検出器と比較するための業界標準となっています。

mAP構成要素

mAP理解するには、まず3つの基本概念の関係を理解しなければならない： IoU over Union）、 Precision、Recallである。

• インターセクション・オーバー・ユニオン（IoU）：これは、予測されたボックスとグランドトゥルース（実際のオブジェクトの位置）の間の空間的な重なりを測定します。 グランドトゥルース（実際のオブジェクトの位置）の空間的な重なりを測定します。IoUは0から1までの比率で表される。IoU 高いほど モデルのローカライゼーションが現実に非常に近いことを示します。
• 精度：予測の信頼性を測る。精度が高い 精度が高いということは、モデルがオブジェクトを予測するとき、それが正しい可能性が高いことを意味します、 が正しい可能性が高いことを意味し、誤検出を最小限に抑えます。
• リコール：これは、モデルが既存のオブジェクトをすべて見つける能力を測定する。高い 高い再現性は、モデルがシーン内のオブジェクトのほとんどを捉えていることを意味する。 偽陰性を最小限に抑えます。

mAP 計算には 精度-再現率曲線 をプロットする。平均精度」AP)は本質的にこの曲線の下の面積である。最後に mAP "平均 "は、データセットのすべてのクラスにわたって、これらのAP スコアを平均することによる。 データセットのすべてのクラスでこれらのAPスコアを平均することで、単一の包括的なスコアが得られます。

mAP対mAP

研究論文やモデル比較のページを読んでいると、mAPが異なる接尾辞で報告されているのをよく目にする。 mAP 異なる接尾辞で報告されているのをよく見かける。これらは、検出を "正しい "とみなすために使用されるIoU しきい値を示している。 "正しい"

• mAP：この指標は、予測が地上真実と少なくとも50％オーバーラップしていれば正しいとみなす。 50%.これは PascalVOCような古いデータセットの標準であった。完璧なアライメントよりも であり、完全なアライメントよりもオブジェクトを見つけることを優先する。
• mAP： COCO データセットによって普及した。 現代のゴールドスタンダード。IoU 0.50から0.95まで、0.05ステップで計算されたmAP 平均する。これにより、次のようなモデルが評価される。 の重要な特徴である、物体を見つけるだけでなく、極めて高いピクセルレベルの精度で物体の位置を特定するモデルを評価します。 Ultralytics YOLO11.

実際のアプリケーション

mAP 誤報と検知漏れの両方を考慮するため、重要度の高い環境では非常に重要である。

1. 自律走行：自動車のAI分野では 自動車のAI分野では、自動運転車は歩行者、他の車両、交通標識を検知しなければならない。 歩行者、他の車両、交通標識をdetect しなければならない。mAP スコアが高ければ、認識システムは障害物 障害物を見逃さない（高い再現性）一方で、誤検知による幻のブレーキを回避する（高精度）。
2. 医療診断医療画像解析では 医療画像解析では、腫瘍 腫瘍や骨折を特定するためには、不必要な生検を避けるための高い精度と、未治療を防ぐための高い再現性が要求されます。 高い再現性が求められます。ヘルスケアにおけるAIは、mAP 依存しています。 モデルは、多様な患者データにわたって放射線科医を確実に支援できることを検証します。

mAP 関連指標との違い

プロジェクトに適した評価指標を選択するためには、mAP 類似の評価用語と区別することが重要である。

• 対精度： 精度とは の比率である。画像分類には有効だが、物体検出では失敗する。 なぜなら「背景」クラスやボックスの空間的な重なりを考慮していないからである。
• 対F1スコア： F1スコアは 特定の信頼閾値における精度と想起の調和平均。を選択するのに有用である。 mAP 方がよりロバストである。 1つの信頼閾値だけでなく、すべての信頼閾値にわたってパフォーマンスを評価するため、mAPの方がよりロバストである。

Python mAP 計算する

Ultralytics Python パッケージは、mAPを計算する複雑なプロセスを自動化する。 mAP自動化します。学習済みモデルに対して検証モードを実行することで、50%の閾値と、より厳しい50-95%の範囲の両方のmAP スコアを即座に取得することができます。 50%の閾値と、より厳しい50-95%の範囲の両方のmAPスコアを即座に取得できます。

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}")

このワークフローにより、開発者は標準的なデータセットでモデルをベンチマークすることができます。 このワークフローにより、開発者はオブジェクト検出のための標準的なデータセット 配備前に必要な性能基準を満たしていることを保証します。