평균 정밀도(mAP)가 컴퓨터 비전 모델을 어떻게 평가하는지 알아보세요. IoU, 정밀도, 재현율을 탐구하고, 오늘 바로 Ultralytics mAP 계산해 보세요.
평균 정밀도(mAP)는 컴퓨터 비전 모델의 성능을 평가하는 데 널리 사용되는 포괄적인 지표로, 특히 객체 탐지 및 인스턴스 분할과 같은 작업에서 활용됩니다. 단순 정확도가 이미지가 올바르게 분류되었는지만 확인하는 것과 달리, mAP 모델이 객체를 얼마나 잘 찾아내는지와 그 주위에 경계 상자를 얼마나 정확하게 위치시키는지를 mAP . 이는 YOLOv26과 같은 최신 아키텍처를 이전 세대와 비교하는 주요 벤치마크 역할을 합니다. 모든 클래스에서 정밀도와 재현율 간의 균형을 종합함으로써, mAP 실제 환경에서의 모델 견고성을 반영하는 단일 점수를 mAP .
mAP 계산하려면 먼저 탐지 품질을 정의하는 세 가지 기본 개념을 이해해야 합니다:
계산은 먼저 특정 클래스(예: "사람", "차", "개")에 대한 평균 정밀도(AP)를 계산하는 것으로 시작됩니다. 이는 다양한 신뢰도 임계값에서 정밀도와 재현율을 그래프로 나타내는 정밀도-재현율 곡선 아래의 면적을 구하는 방식으로 수행됩니다. 평균 평균 정밀도(MAP)의 "평균"은 "차량", "개")에 대한 평균 정밀도(AP)를 계산하는 것으로 시작됩니다. 이는 다양한 신뢰도 임계값에서 정밀도와 재현율을 그래프로 나타낸 정밀도-재현율 곡선 아래의 면적을 구하는 방식으로 수행됩니다. 평균 평균 정밀도(Mean Average Precision)의 "평균(Mean)"은 단순히 훈련 데이터 내 모든 범주에 걸쳐 이러한 AP 평균화하는 것을 의미합니다.
표준 연구 벤치마크인 COCO 같은 경우, 주로 두 가지 주요 변형을 보고합니다:
mAP 정확도를 구분하는 것이 중요합니다. 정확도 는 전체 이미지에 대해 단일 레이블을 출력하는 이미지 분류에 적합하지만, 객체의 공간적 위치나 배경 클래스를 고려하지 않아 객체 탐지에서는 실패합니다. 마찬가지로 F1-스코어가 단일 신뢰도 임계값에서의 정밀도와 재현율의 조화 평균을 제공하는 반면, mAP 모든 신뢰도 수준에 걸친 성능을 mAP 모델 안정성에 대한 보다 포괄적인 관점을 제공합니다.
안전과 효율성이 최우선인 환경에서는 높은 mAP 매우 중요합니다.
현대적인 프레임워크는 이러한 지표의 계산을 간소화합니다.
검증 단계. 다음 예제는 모델을 로드하고 mAP 계산하는 mAP 보여줍니다. ultralytics Python 패키지.
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}")
모델 배포 전 mAP 이해하고 최적화하는 것은 매우 mAP . 이 과정을 간소화하기 위해 Ultralytics 훈련 중 mAP, 손실 곡선 및 기타 KPI를 자동으로 추적하여 개발자가 진행 상황을 시각화하고 생산 환경에 적합한 최적의 모델 체크포인트를 선택할 수 있도록 지원합니다.
.webp)