Mean Average Precision (mAP)

A Média da Precisão Média (mAP) é uma métrica abrangente amplamente utilizada para avaliar o desempenho de modelos de visão computacional, especificamente em tarefas como deteção de objetos e segmentação de instâncias. Ao contrário da exatidão simples, que apenas verifica se uma imagem foi classificada corretamente, a mAP avalia até que ponto um modelo encontra objetos e com que precisão posiciona a caixa delimitadora à volta deles. Isto faz dela o principal padrão de referência para comparar arquiteturas de ponta, como a YOLO26, com gerações anteriores. Ao resumir o compromisso entre precisão e revocação em todas as classes, a mAP fornece uma única pontuação que reflete a robustez de um modelo em cenários do mundo real.

Os componentes da mAP#

Para calcular a mAP, é necessário primeiro compreender três conceitos subjacentes que definem a qualidade da deteção:

• Interseção sobre a União (IoU): mede a sobreposição espacial entre a caixa prevista e a anotação de verdade de referência. É uma proporção que varia de 0 a 1. Uma previsão é frequentemente considerada um "Verdadeiro Positivo" apenas quando a IoU excede um limiar específico, como 0,5 ou 0,75.
• Precisão: esta métrica responde à pergunta: "De todos os objetos que o modelo afirmou ter detetado, que fração estava realmente correta?" Uma precisão elevada significa que o modelo produz muito poucos falsos positivos.
• Revocação: esta métrica pergunta: "De todos os objetos que realmente existem na imagem, que fração foi encontrada pelo modelo?" Uma revocação elevada indica que o modelo evita falsos negativos e raramente não deteta um objeto.

Metodologia de cálculo#

O cálculo começa por determinar a Precisão Média (AP) para cada classe específica (por exemplo, "pessoa", "carro", "cão"). Isto é feito encontrando a área sob a Curva de Precisão-Revocação, que representa a precisão em função da revocação em vários limiares de confiança. A "Média" em Média da Precisão Média refere-se simplesmente à média destas pontuações AP em todas as categorias dos dados de treino.

Os padrões de referência de investigação, como o conjunto de dados COCO, apresentam frequentemente duas variações principais:

1. mAP@50: considera uma deteção correta se a IoU for de, pelo menos, 0,50. É uma métrica permissiva.

2. mAP@50-95: é a média da mAP calculada em limiares de IoU de 0,50 a 0,95, em incrementos de 0,05. Esta métrica rigorosa recompensa os modelos que alcançam uma elevada precisão de localização.

mAP vs. métricas relacionadas#

É importante distinguir a mAP da Exatidão. A exatidão é adequada para a classificação de imagens, em que o resultado é uma única etiqueta para toda a imagem, mas falha na deteção de objetos porque não tem em conta a posição espacial do objeto nem a classe de fundo. Da mesma forma, embora a Pontuação F1 forneça uma média harmónica da precisão e da revocação num único limiar de confiança, a mAP integra o desempenho em todos os níveis de confiança, oferecendo uma visão mais abrangente da estabilidade do modelo.

Aplicações no mundo real#

As pontuações elevadas de mAP são essenciais em ambientes onde a segurança e a eficiência são prioritárias.

• Veículos Autónomos: na tecnologia de condução autónoma, a segurança depende da deteção de peões e sinais de trânsito com elevada revocação (sem deixar passar nada) e elevada precisão (evitando travagens fantasma). A mAP garante que o sistema de perceção equilibra estas necessidades de forma eficaz.
• Análise de Imagens Médicas: ao identificar tumores ou fraturas em radiografias, os radiologistas dependem da IA na área da saúde para assinalar potenciais problemas. Uma pontuação elevada de mAP indica que o modelo destaca anomalias de forma fiável sem sobrecarregar o médico com falsos alarmes, facilitando um diagnóstico preciso.

Medir a mAP com a Ultralytics#

As estruturas modernas simplificam o cálculo destas métricas durante a fase de validação. O exemplo seguinte demonstra como carregar um modelo e calcular a mAP utilizando o pacote ultralytics Python.

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}")

Compreender e otimizar a mAP é crucial antes da implementação do modelo. Para simplificar este processo, a Ultralytics Platform oferece o acompanhamento automatizado da mAP, das curvas de perda e de outros KPIs durante o treino, permitindo aos programadores visualizar o progresso e selecionar o melhor ponto de verificação do modelo para produção.