평균 평균 정밀도mAP

평균 평균 정밀도mAP는 컴퓨터 비전 모델, 특히 컴퓨터 비전 모델, 특히 물체 감지 및 물체 감지 및 인스턴스 세분화를 위해 설계된 모델을 평가합니다. 단순한 이미지 레이블이 올바른지 여부만 결정하는 단순한 분류 정확도와 달리, mAP 모델의 두 가지 능력을 평가합니다. 객체를 올바르게 classify 이미지 내에서 객체를 정확하게 찾는 능력을 평가합니다. 바운딩 박스를 사용합니다. 이러한 이중 목적 평가 덕분에 다음과 같은 최신 아키텍처를 벤치마킹하는 업계 표준이 되었습니다. YOLO11 과 같은 최신 아키텍처를 다른 최신 탐지기와 비교하는 업계 표준이 되었습니다.

mAP 구성 요소

mAP 이해하려면 먼저 세 가지 기본 개념 간의 관계를 이해해야 합니다: 유니온을 통한 교차(IoU), 정밀도 및 리콜.

• 유니온에 대한 교차점(IoU): 예측된 상자와 실측 데이터(실제 개체 위치) 사이의 공간적 중첩을 측정합니다. 실측 기준점(실제 개체 위치) 사이의 공간적 중첩을 측정합니다. 0에서 1 사이의 비율입니다. IoU 높을수록 모델의 로컬라이제이션이 현실에 매우 가깝다는 것을 의미합니다.
• 정확도: 예측의 신뢰도를 측정합니다. 높음 정확도가 높다는 것은 모델이 객체를 예측할 때 정확할 가능성이 높으며 오탐을 최소화합니다.
• 리콜: 기존의 모든 객체를 찾는 모델의 능력을 측정합니다. 높음 리콜이 높다는 것은 모델이 장면에 있는 대부분의 오브젝트를 캡처하여 장면에서 대부분의 오브젝트를 캡처하여 오탐을 최소화합니다.

mAP 계산에는 다음을 포함하는 플로팅이 포함됩니다. 정밀도-리콜 곡선 를 그려야 합니다. "평균 정밀도"AP는 본질적으로 이 곡선 아래의 영역입니다. 마지막으로 mAP "평균"은 데이터 세트의 모든 클래스에서 이러한 AP 점수를 평균한 값으로 데이터 세트의 모든 클래스에 걸쳐 이러한 AP 점수를 평균하여 하나의 종합적인 점수를 제공합니다.

mAP 대 mAP

연구 논문이나 모델 비교 페이지를 읽을 때 다음과 같은 경우가 있습니다. 종종 다른 접미사와 함께 보고된 mAP 볼 수 있습니다. 이는 탐지를 고려하는 데 사용되는 IoU 임계값을 나타냅니다. "correct."

• mAP: 이 메트릭은 예측이 실측 자료와 mAP 이상 겹치면 올바른 것으로 간주합니다. 50%. 이는 다음과 같은 오래된 데이터 세트에 대한 표준이었습니다. 파스칼 VOC. 이 메트릭은 관대한 메트릭으로 완벽한 정렬보다 객체를 찾는 것을 우선시합니다.
• mAP: COCO 데이터 세트에 의해 대중화된 이 데이터는 현대의 골드 표준입니다. IoU 0.50에서 0.95까지 0.05단계로 계산된 mAP 평균을 산출합니다. 이는 물체를 찾을 뿐만 아니라 의 핵심 기능인 극도의 픽셀 수준 정확도로 물체를 찾을 뿐만 아니라 물체의 위치를 찾아내는 모델에 보상을 제공합니다. Ultralytics YOLO11.

실제 애플리케이션

mAP 오경보와 탐지 누락을 모두 설명하기 때문에 위험도가 높은 환경에서 매우 중요합니다.

1. 자율 주행: 다음과 같은 분야에서 자율 주행 자동차는 다음을 수행해야 합니다. 보행자, 다른 차량, 교통 표지판을 detect 합니다. 높은 mAP 점수는 인식 시스템이 장애물을 놓치지 않도록 보장합니다. 장애물을 놓치지 않고(높은 회상률), 오감지로 인한 유령 제동을 피할 수 있습니다(높은 정밀도).
2. 의료 진단: In 의료 영상 분석, 종양 식별 또는 골절을 식별하려면 불필요한 생검을 피하기 위해 높은 정밀도가 필요하고, 치료되지 않은 상태를 확인하기 위해 치료되지 않도록 해야 합니다. 의료 분야의 AI는 mAP 의존하여 모델이 다양한 환자 데이터에서 영상의학과 전문의를 안정적으로 지원할 수 있는지 검증합니다.

관련 지표와 mAP 차별화

프로젝트에 적합한 지표를 선택하려면 mAP 유사한 평가 용어와 구별하는 것이 중요합니다.

• 대 정확도: 정확도: 정확도는 총 예측 수 대비 전체 예측 대비 정확한 예측의 비율입니다. 이미지 분류에는 잘 작동하지만 물체 감지에는 실패합니다. '배경' 클래스나 상자의 공간적 중첩을 고려하지 않기 때문입니다.
• F1 점수 비교: F1 점수는 특정 신뢰도 임계값에서 특정 신뢰 임계값에서 정확도와 회수율의 조화 평균입니다. 작동 지점을 선택하는 데 유용하지만 작동 지점을 선택하는 데 유용하지만, mAP 하나의 신뢰 임계값이 아닌 모든신뢰 임계값에서 모든 신뢰 임계값에 걸쳐 성능을 평가하기 때문에 더 강력합니다.

Python mAP 계산하기

Ultralytics Python 패키지는 다음과 같은 복잡한 프로세스를 자동화합니다. 복잡한 프로세스를 자동화합니다. 학습된 모델에서 유효성 검사 모드를 실행하면, 50% 임계값과 더 엄격한 50~95% 범위 모두에 대한 mAP 점수를 즉시 검색할 수 있습니다. 50% 임계값과 더 엄격한 50-95% 범위 모두에 대한 mAP 점수를 즉시 검색할 수 있습니다.

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}")

이 워크플로우를 통해 개발자는 객체 감지를 위한 표준 데이터 세트를 벤치마킹하여 애플리케이션이 배포 전에 필요한 성능 기준을 배포하기 전에 필요한 성능 표준을 충족하는지 확인할 수 있습니다.