Precisão média médiamAP)

A precisão média médiamAP) é a métrica de desempenho definitiva utilizada para avaliar modelos de visão por computador, especificamente os concebidos para a deteção de objectos e deteção de objectos e segmentação de instâncias. Ao contrário da simples precisão de classificação simples, que apenas determina se uma etiqueta de imagem está correta, mAP avalia a capacidade de um modelo para classify corretamente um objeto e localizá-lo com precisão numa imagem utilizando uma caixa delimitadora. Esta avaliação de dupla finalidade torna-o a norma da indústria para a avaliação comparativa de arquitecturas modernas como a YOLO11 em relação a outros detectores de última geração.

Os componentes do mAP

Para entender mAP, é preciso primeiro entender a relação entre três conceitos fundamentais: Intersecção sobre União (IoU), Precisão e Recuperação.

• Intersecção sobre a União (IoU): Mede a sobreposição espacial entre a caixa prevista e a verdade terrestre (a localização real do objeto). É um rácio que varia entre 0 e 1. Um IoU mais elevado indica que a indica que a localização do modelo está muito próxima da realidade.
• Precisão: Mede a fiabilidade das previsões. Uma precisão precisão significa que quando o modelo prevê um objeto, é provável que esteja correto, minimizando os falsos positivos.
• Recuperação: Mede a capacidade do modelo para encontrar todos os objectos existentes. Uma alta significa que o modelo capta a maioria dos objectos na cena, minimizando os falsos negativos.

O cálculo mAP envolve o traçado de uma curva de precisão-recuperação para cada classe de objeto. A "precisão média"AP) é essencialmente a área sob esta curva. Finalmente, a Finalmente, a "Média" do mAP resulta da média destas pontuações AP em todas as classes do conjunto de dados, fornecendo uma pontuação única e abrangente.

mAP vs. mAP

Ao ler documentos de investigação ou páginas de comparação de modelos, verá verá frequentemente mAP registado com sufixos diferentes. Estes referem-se ao limiar IoU utilizado para considerar uma deteção "correta".

• mAP: Esta métrica considera uma previsão correta se esta se sobrepuser à verdade terrestre em pelo menos 50%. Esta era a norma para conjuntos de dados mais antigos, como o Pascal VOC. É uma métrica indulgente que dá prioridade a encontrar o objeto em vez do alinhamento perfeito.
• mAP: Popularizado pelo conjunto de dadosCOCO , este é o padrão-ouro moderno. Calcula a média do mAP calculado em passos de 0,05 de IoU 0,50 a 0,95. Isto recompensa os modelos que não só encontram o objeto, mas que o localizam com uma precisão extrema ao nível do pixel, uma caraterística chave do Ultralytics YOLO11.

Aplicações no Mundo Real

Uma vez que mAP tem em conta tanto os falsos alarmes como as detecções falhadas, é fundamental em ambientes de alto risco.

1. Condução autónoma: No domínio da IA no sector automóvel, um carro de condução autónoma deve detect peões, outros veículos e sinais de trânsito. Uma pontuação mAP elevada garante que o sistema de perceção não falha obstáculos (elevada recordação) e evita travagens fantasma causadas por falsas detecções (elevada precisão).
2. Diagnóstico médico: Na análise de imagens médicas, a identificação de tumores ou fracturas requer uma elevada precisão para evitar biópsias desnecessárias e uma elevada capacidade de recuperação para garantir que nenhuma condição fica não seja tratada. A IA nos cuidados de saúde baseia-se no mAP para validar que os modelos podem ajudar de forma fiável os radiologistas em diversos dados de pacientes.

Diferenciar mAP de métricas relacionadas

É importante distinguir mAP de termos de avaliação semelhantes para escolher a métrica certa para o seu projeto.

• vs. Precisão: A precisão é o rácio de previsões corretas em relação ao total de previsões. Funciona bem para a classificação de imagens, mas falha na deteção de objectos porque não tem em conta a classe "fundo" ou a sobreposição espacial das caixas.
• vs. Pontuação F1: A pontuação F1 é a média harmónica média harmónica da precisão e da recuperação num limiar de confiança específico. Embora seja útil para selecionar um ponto de operação, mAP é mais robusto porque avalia o desempenho em todos os limiares de confiança em vez de apenas um.

Cálculo do mAP com Python

O pacoteUltralytics Python automatiza o complexo processo de cálculo mAP. Ao executar o modo de validação num modelo treinado, pode obter instantaneamente pontuações mAP para o limiar de 50% e para o intervalo mais rigoroso de 50-95%.

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}")

Este fluxo de trabalho permite aos programadores aferir os seus modelos em conjuntos de dados conjuntos de dados padrão para deteção de objectos, garantindo que as suas aplicações cumprem as normas de desempenho necessárias antes da implementação.