객체 감지에서 평균 정밀도(mAP)

AI 도입이 빠르게 늘면서 자율주행차부터 진열대의 제품을 식별할 수 있는 소매 시스템에 이르기까지 다양한 혁신에 AI가 통합되고 있습니다. 이러한 기술은 기계가 시각 데이터를 분석할 수 있도록 하는 인공지능(AI)의 한 분야인 컴퓨터 비전에 의존합니다.

컴퓨터 비전 시스템과 알고리즘의 정확도를 측정하는 주요 평가 지표는 평균 정밀도(mAP)입니다. mAP 지표는 비전 AI 모델의 예측이 실제 결과와 얼마나 일치하는지 나타냅니다.

컴퓨터 비전의 일반적인 작업인 객체 감지에서는 모델이 이미지에서 여러 객체를 식별하고 각 객체 주위에 바운딩 박스를 그립니다. mAP는 객체 감지 모델의 성능 평가에 사용되는 표준 지표이며, Ultralytics YOLO11과 같은 딥러닝 모델의 성능을 벤치마킹할 때 널리 사용됩니다.

이 글에서는 평균 정밀도를 계산하는 방법과 객체 감지 모델을 학습하거나 평가하는 사람에게 평균 정밀도가 필수적인 이유를 살펴보겠습니다.

평균 정밀도(mAP)란 무엇인가요?#

평균 정밀도는 이미지에서 다양한 객체를 탐지하고 식별하는 것과 같은 시각 정보 검색 작업에서 딥러닝 모델의 정확도를 보여주는 점수입니다. 예를 들어, 개, 고양이, 자동차가 있는 사진을 분석하는 객체 탐지 모델을 생각해 보겠습니다. 신뢰할 수 있는 모델은 각 객체를 인식하고 주변에 바운딩 박스와 레이블을 그려 위치와 종류를 표시함으로써 객체를 탐지할 수 있습니다.

mAP는 여러 이미지와 다양한 종류의 객체에 걸쳐 모델이 이 작업을 얼마나 잘 수행하는지 나타냅니다. 모델이 각 객체와 이미지 내 위치를 정확하게 식별하는지 확인합니다. 점수 범위는 0~1이며, 1은 모델이 모든 객체를 완벽하게 찾았음을, 0은 객체를 하나도 탐지하지 못했음을 의미합니다.

평균 정밀도(mAP)의 주요 개념#

머신러닝에서 평균 정밀도의 기본 개념을 살펴보기 전에, 먼저 두 가지 기본 용어인 정답 데이터와 예측 결과를 알아보겠습니다.

정답 데이터는 정확한 참조 데이터로, 주석 작업을 통해 사람이 이미지 속 객체와 위치에 신중하게 레이블을 지정한 것입니다. 반면 예측 결과는 AI 모델이 이미지를 분석한 뒤 출력하는 결과입니다. AI 모델의 예측 결과를 정답 데이터와 비교하면 모델이 정답에 얼마나 근접했는지 측정할 수 있습니다.

그림 1. 모델 예측과 정답 바운딩 박스. 이미지 제공: 저자.

혼동 행렬#

객체 탐지 모델의 정밀도를 파악할 때 혼동 행렬을 자주 사용합니다. 모델의 예측과 실제 정답(정답 데이터)이 어떻게 일치하는지 보여주는 표입니다. 이 표를 통해 참 양성, 거짓 양성, 거짓 음성, 참 음성의 네 가지 주요 구성 요소 또는 결과를 확인할 수 있습니다.

혼동 행렬에서 각 구성 요소는 다음을 의미합니다.

• 참 양성(TP): 객체와 그 위치를 모델이 정확하게 탐지한 경우입니다.
• 거짓 양성(FP): 모델이 탐지 결과를 출력했지만, 그 결과가 잘못된 경우입니다.
• 거짓 음성(FN): 이미지에 실제로 객체가 있었지만 모델이 탐지하지 못한 경우입니다.
• 참 음성(TN): 모델이 객체가 없다는 사실을 정확하게 식별한 경우 참 음성이 발생합니다.

객체 탐지에서는 이미지의 빈 영역이 많더라도 일반적으로 이를 무시하므로 참 음성을 자주 사용하지 않습니다. 하지만 모델이 이미지에 레이블을 지정하는 이미지 분류와 같은 다른 컴퓨터 비전 작업에서는 참 음성이 중요합니다. 예를 들어, 이미지에 고양이가 있는지 탐지하는 작업에서 이미지에 고양이가 없을 때 모델이 "고양이 없음"을 정확히 식별하면 참 음성입니다.

그림 2. 혼동 행렬의 분류 결과. 이미지 제공: 저자.

교집합 대비 합집합(IoU)#

객체 탐지 모델을 평가할 때 중요한 또 다른 지표는 교집합 대비 합집합(IoU)입니다. 이러한 비전 AI 모델은 이미지에 객체가 있는지만 탐지해서는 충분하지 않으며, 바운딩 박스를 그릴 수 있도록 이미지에서 객체의 위치도 찾아야 합니다.

IoU 지표는 모델이 예측한 박스가 실제 정답 박스(정답 데이터)와 얼마나 일치하는지 측정합니다. 점수 범위는 0~1이며, 1은 완벽하게 일치함을, 0은 전혀 겹치지 않음을 의미합니다.

예를 들어, IoU가 높을수록(예: 0.80 또는 0.85) 예측 박스가 정답 박스와 가깝게 일치하며, 이는 위치를 정확하게 찾았음을 나타냅니다. IoU가 낮으면(예: 0.30 또는 0.25) 모델이 객체의 위치를 정확하게 찾지 못한 것입니다.

탐지 성공 여부를 판단하기 위해 다양한 임계값을 사용합니다. 일반적인 IoU 임계값은 0.5이며, 이는 참 양성으로 계산되려면 예측 박스가 정답 박스와 최소 50% 겹쳐야 한다는 의미입니다. 이 임계값보다 겹치는 정도가 낮으면 거짓 양성으로 간주합니다.

그림 3. 교집합 대비 합집합 이해하기. 이미지 제공: 저자.

정밀도와 재현율#

지금까지 객체 탐지 모델의 성능을 이해하기 위한 몇 가지 기본 평가 지표를 살펴보았습니다. 이를 바탕으로 가장 중요한 지표 두 가지인 정밀도와 재현율을 알아보겠습니다. 이 지표들은 모델 탐지가 얼마나 정확한지 명확하게 보여줍니다. 각각의 의미를 살펴보겠습니다.

정밀도 값은 모델의 예측 중 실제로 정확한 것이 얼마나 되는지 알려줍니다. 모델이 탐지했다고 판단한 전체 객체 중 실제로 존재하는 객체가 몇 개인가라는 질문에 답합니다.

반면 재현율 값은 이미지에 실제로 존재하는 모든 객체를 모델이 얼마나 잘 찾는지 측정합니다. 실제로 존재하는 전체 객체 중 모델이 정확히 탐지한 객체가 몇 개인가라는 질문에 답합니다.

정밀도와 재현율을 함께 살펴보면 모델의 성능을 더욱 명확하게 파악할 수 있습니다. 예를 들어 모델이 이미지에서 자동차 10대를 예측하고 그중 9대가 실제 자동차라면 정밀도는 90%입니다.

이 두 평가 지표 사이에는 흔히 상충 관계가 있습니다. 모델은 확신이 높은 예측만 수행해 정밀도를 높일 수 있지만, 이로 인해 많은 객체를 놓쳐 재현율이 낮아질 수 있습니다. 반대로 거의 모든 곳에 바운딩 박스를 예측해 재현율을 매우 높일 수도 있지만, 이 경우 정밀도가 낮아집니다.

그림 4. 정밀도와 재현율. 이미지 제공: 저자.

평균 정밀도#

정밀도와 재현율은 개별 예측에서 모델의 성능을 이해하는 데 도움이 되지만, 평균 정밀도(AP)는 더 폭넓은 관점을 제공합니다. 모델이 더 많은 객체를 탐지하려고 할 때 정밀도가 어떻게 변하는지 보여주고, 모델 성능을 하나의 숫자로 요약합니다.

평균 정밀도 점수를 계산하려면 먼저 객체 유형별로 정밀도-재현율 곡선(PR 곡선)이라는 통합 그래프 형태의 지표를 만들 수 있습니다. 이 곡선은 모델이 더 많은 예측을 할 때 어떤 변화가 나타나는지 보여줍니다.

모델이 가장 쉽거나 명확한 객체만 탐지하는 것으로 시작하는 상황을 생각해 보겠습니다. 이 단계에서는 대부분의 예측이 정확하므로 정밀도는 높지만, 여전히 놓친 객체가 많아 재현율은 낮습니다. 모델이 더 어렵거나 드문 객체를 포함해 더 많은 객체를 탐지하려고 할수록 일반적으로 오류가 늘어납니다. 이로 인해 재현율은 증가하고 정밀도는 낮아집니다.

평균 정밀도는 정밀도-재현율(PR) 곡선 아래 면적(AUC)입니다. 면적이 넓을수록 더 많은 객체를 감지하면서도 예측의 정확도를 유지하는 모델이라는 뜻입니다. AP는 각 클래스 레이블에 대해 개별적으로 계산됩니다.

예를 들어, 자동차, 자전거, 보행자를 탐지할 수 있는 모델에서는 세 범주 각각의 AP 값을 개별적으로 계산할 수 있습니다. 이를 통해 모델이 어떤 객체를 잘 탐지하는지, 어떤 부분에서 개선이 필요한지 파악할 수 있습니다.

그림 5. 서로 다른 다섯 클래스의 PR 곡선. (출처)

평균 정밀도#

각 객체 클래스의 평균 정밀도를 계산한 뒤에는 모든 클래스에 대한 모델의 전반적인 성능을 나타내는 단일 점수가 필요합니다. 평균 정밀도 공식을 사용하면 이를 계산할 수 있습니다. 이 공식은 모든 카테고리의 AP 점수를 평균합니다.

예를 들어, Ultralytics YOLO11과 같은 컴퓨터 비전 모델의 AP가 자동차에서 0.827, 오토바이에서 0.679, 트럭에서 0.355, 버스에서 0.863, 자전거에서 0.982라고 가정해 보겠습니다. mAP 공식을 사용하면 다음과 같이 이 숫자들을 더한 뒤 전체 클래스 수로 나눌 수 있습니다.

mAP = (0.827 + 0.679 + 0.355 + 0.863 + 0.982) ÷ 5 = 0.7412 ≈ 0.741

mAP 점수 0.741은 모든 객체 클래스에 걸쳐 모델 성능을 판단하는 간단한 기준을 제공합니다. 값이 1에 가까우면 대부분의 카테고리에서 모델이 정확하다는 뜻이며, 값이 낮으면 일부 카테고리에서 성능이 떨어진다는 의미입니다.

컴퓨터 비전에서 AP와 mAP의 중요성#

이제 AP와 mAP의 계산 방법과 구성 요소를 더 잘 이해했으므로, 컴퓨터 비전에서 이 지표들이 중요한 이유를 살펴보겠습니다.

• 특정 클래스의 낮은 AP: 단일 클래스의 AP가 낮다는 것은 모델이 해당 객체 클래스를 탐지하는 데 어려움을 겪는다는 의미인 경우가 많습니다. 학습 데이터가 부족하거나 이미지에 가림과 같은 시각적 문제가 있기 때문일 수 있습니다.
• 위치 추정 오류: 낮은 IoU 임계값(예: mAP₅₀)에서 mAP 값이 높지만 높은 IoU 임계값(예: mAP₇₅)에서 크게 하락한다면, 모델이 객체를 감지할 수는 있어도 정확한 위치를 찾는 데 어려움을 겪는다는 뜻입니다.
• 과적합: 학습 데이터셋에서 mAP 값은 높지만 검증 데이터셋에서 mAP 값이 낮다면 과적합의 징후이며, 이 경우 새 이미지에 대한 모델의 신뢰도가 떨어집니다.

평균 정밀도의 실제 활용 사례#

다음으로, 실제 컴퓨터 비전 활용 사례를 구축할 때 mAP와 같은 주요 지표가 어떻게 도움이 되는지 살펴보겠습니다.

자율주행차: mAP 값이 높을수록 도로가 안전해지는 이유#

자율주행차의 경우, 보행자, 도로 표지판, 자전거 운전자, 차선 표시를 식별하려면 객체 탐지가 매우 중요합니다. 예를 들어, 아이가 갑자기 도로를 가로질러 뛰어들면 자동차는 몇 초 안에 객체(아이)를 탐지하고, 위치를 파악하고, 움직임을 추적한 뒤 필요한 조치(브레이크 적용)를 취해야 합니다.

Ultralytics YOLO11과 같은 모델은 이러한 위험도가 높은 상황에서 실시간 객체 탐지를 수행하도록 설계되었습니다. 이러한 경우 mAP는 안전성을 판단하는 중요한 지표가 됩니다.

mAP 점수가 높으면 시스템이 어린이를 감지하고 위치를 정확하게 파악할 가능성이 높으므로 지연을 최소화해 제동을 작동할 수 있습니다. mAP가 낮으면 감지 누락이나 어린이를 다른 작은 객체로 혼동하는 위험한 오분류가 발생할 수 있습니다.

그림 6. YOLO11을 사용해 도로 위 보행자를 탐지하는 예입니다. (출처)

정확한 제품 탐지를 위한 mAP 활용#

마찬가지로 소매업에서는 객체 탐지 모델을 활용해 재고 모니터링과 결제 처리 같은 작업을 자동화할 수 있습니다. 고객이 셀프 계산대에서 제품을 스캔할 때 탐지 오류가 발생하면 불편을 초래할 수 있습니다.

높은 mAP 점수는 제품이 빽빽하게 진열된 경우에도 모델이 유사한 제품을 정확히 구분하고 정밀한 바운딩 박스를 그리도록 합니다. 낮은 mAP 점수는 혼동을 일으킬 수 있습니다. 예를 들어 모델이 오렌지 주스 병을 외관이 비슷한 사과 주스 병으로 오인하면 잘못된 결제와 부정확한 재고 보고로 이어질 수 있습니다.

Ultralytics YOLO11과 같은 모델을 통합한 소매 시스템은 제품을 실시간으로 탐지하고 재고와 대조한 뒤 백엔드 시스템을 즉시 업데이트할 수 있습니다. 빠르게 변화하는 소매 환경에서 mAP는 운영의 정확성과 신뢰성을 유지하는 데 중요한 역할을 합니다.

의료 분야에서 높은 mAP로 진단 정확도 향상#

의료 분야의 진단 정확도 향상은 의료 영상에서 정밀하게 탐지하는 것부터 시작됩니다. YOLO11과 같은 모델은 방사선 전문의가 의료 영상에서 종양, 골절 또는 기타 이상을 발견하는 데 도움을 줄 수 있습니다. 여기서 평균 정밀도는 모델의 임상적 신뢰성을 평가하는 필수 지표입니다.

높은 mAP는 모델이 재현율(실제 문제를 최대한 많이 식별하는 능력)과 정밀도(오탐을 줄이는 능력)를 모두 높게 달성했음을 나타내며, 이는 임상 의사결정에서 매우 중요합니다.

그러나 낮은 mAP 점수는 우려를 낳을 수 있습니다. 모델이 종양을 놓치면 진단이 지연되거나 잘못된 치료로 이어질 수 있습니다.

mAP 사용의 장단점#

객체 탐지 모델을 평가할 때 평균 정밀도를 사용하면 얻을 수 있는 주요 이점은 다음과 같습니다.

• 표준화된 지표: mAP는 객체 감지 모델을 평가하는 업계 표준입니다. mAP 값은 여러 모델을 공정하고 일관된 방식으로 비교할 수 있게 해 줍니다.
• 실제 환경의 성능 반영: 높은 mAP는 모델이 다양한 객체 클래스를 탐지하는 데 뛰어나며 복잡한 실제 환경에서도 높은 성능을 유지한다는 것을 나타냅니다.
• 클래스별 진단: mAP는 클래스별 AP 점수로 구성되므로 성능이 낮은 카테고리(예: 자전거 또는 도로 표지판)를 더 쉽게 식별하고 이에 따라 모델을 미세 조정할 수 있습니다.

mAP 지표를 사용하면 여러 이점이 있지만 고려해야 할 한계도 있습니다. 다음과 같은 요소를 염두에 두어야 합니다.

• 비기술 이해관계자에게 어려움: 비즈니스 팀이나 임상 팀은 직관적이고 이해하기 쉬운 다른 지표와 달리 mAP 값을 추상적으로 느낄 수 있습니다.
• 실시간 제약 조건 미반영: mAP는 시간에 민감한 애플리케이션 배포에서 중요한 추론 속도나 지연 시간을 고려하지 않습니다.

핵심 요점#

평균 정밀도는 단순한 기술 점수가 아니라 모델의 실제 환경에서의 잠재적 성능을 반영한다는 점을 살펴보았습니다. 자율주행 차량 시스템이든 소매점 계산대든 높은 mAP 점수는 모델의 성능과 실제 적용 준비 상태를 나타내는 신뢰할 수 있는 지표입니다.

mAP는 중요하고 영향력 있는 지표이지만, 균형 잡힌 평가 전략의 일부로 고려해야 합니다. 의료 및 자율주행과 같은 중요 분야에서는 mAP에만 의존하는 것으로 충분하지 않습니다.

시스템이 안전하고 효율적이며 의도한 목적에 적합하도록 하려면 추론 속도(모델이 얼마나 빠르게 예측하는지), 모델 크기(엣지 디바이스 배포에 미치는 영향), 정성적 오류 분석(모델이 어떤 유형의 실수를 하는지 파악)과 같은 추가 요소도 고려해야 합니다.

컴퓨터 비전에 대해 자세히 알아보려면 성장 중인 커뮤니티와 GitHub 저장소에 참여해 보세요. 솔루션 페이지에서 농업 분야의 컴퓨터 비전과 물류 분야의 AI 활용 사례를 살펴보세요. 오늘 바로 컴퓨터 비전 모델을 시작하려면 라이선스 옵션을 확인하세요!