Средняя точностьmAP)

Средняя средняя точность (mAP) — это комплексный показатель, широко используемый для оценки эффективности моделей компьютерного зрения, в частности в таких задачах, как обнаружение объектов и сегментация экземпляров. В отличие от простой точности, которая лишь проверяет, правильно ли классифицировано изображение, mAP , насколько хорошо модель находит объекты и насколько точно она располагает ограничительную рамку вокруг них. Это делает его основным критерием для сравнения современных архитектур, таких как YOLO26, с предыдущими поколениями. Обобщая компромисс между точностью и воспроизводимостью по всем классам, mAP единый балл, который отражает надежность модели в реальных сценариях.

Компоненты mAP

Для расчета mAP необходимо сначала понять три основных понятия, которые определяют качество обнаружения:

• Пересечение над объединением (IoU): измеряет пространственное перекрытие между прогнозируемым прямоугольником и аннотацией «истинного значения ». Это соотношение в диапазоне от 0 до 1. Прогноз часто считается «истинным положительным» только в том случае, если IoU определенный порог, например 0,5 или 0,75.
• Точность: этот показатель отвечает на вопрос: «Из всех объектов, которые модель заявила, что detect, какая доля была действительно правильной?» Высокая точность означает, что модель дает очень мало ложных срабатываний
• Воспроизведение: этот показатель отвечает на вопрос: «Какую долю объектов, реально присутствующих на изображении, обнаружила модель ?» Высокий уровень воспроизведения означает, что модель избегает ложных отрицательных результатов и редко пропускает объекты.

Методология расчета

Расчет начинается с вычисления средней точности (AP) для каждого конкретного класса (например, «человек», «автомобиль», «собака»). Для этого определяется площадь под кривой точности-восстановления, которая отображает точность по отношению к восстановлению при различных порогах достоверности. «Среднее» в средней средней точности просто означает усреднение этих AP по всем категориям в учебных данных.

Стандартные тесты, такие как COCO , часто сообщают о двух основных вариантах:

1. mAP: считает обнаружение правильным, если IoU не менее 0,50. Это мягкий показатель.
2. mAP: это среднее значение mAP при IoU от 0,50 до 0,95 с шагом 0,05. Этот строгий показатель оценивает модели, которые достигают высокой точности локализации.

mAP с сопутствующими показателями

Важно отличать mAP точности. Точность подходит для классификации изображений, где результатом является одна метка для всего изображения, но она не подходит для обнаружения объектов, поскольку не учитывает пространственное положение объекта или класс фона. Аналогично, в то время как F1-Score предоставляет гармоническое среднее значение точности и воспроизведения при одном пороге достоверности, mAP производительность по всем уровням достоверности, предлагая более целостное представление о стабильности модели.

Применение в реальном мире

Высокие mAP имеют решающее значение в условиях, где безопасность и эффективность имеют первостепенное значение.

• Автономные транспортные средства: В технологии самоуправляемых автомобилей безопасность зависит от обнаружения пешеходов и дорожных знаков с высокой точностью воспроизведения ( ничего не упуская) и высокой точностью (избегая фантомного торможения). mAP , что система восприятия эффективно уравновешивает эти потребности
• Анализ медицинских изображений: при выявлении опухолей или переломов на рентгеновских снимках радиологи полагаются на ИИ в здравоохранении, чтобы выявить потенциальные проблемы. Высокий mAP указывает на то, что модель надежно выделяет аномалии, не перегружая врача ложными тревогами, что облегчает точную диагностику

Измерение mAP Ultralytics

Современные фреймворки упрощают расчет этих показателей во время валидация фаза. Следующий пример демонстрирует, как загрузить модель и вычислить mAP помощью ultralytics Пакет 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}")

Понимание и оптимизация mAP решающее mAP перед развертыванием модели. Чтобы упростить этот процесс, Ultralytics предлагает автоматическое отслеживание mAP, кривых потерь и других KPI во время обучения, что позволяет разработчикам визуализировать прогресс и выбрать лучшую контрольную точку модели для производства.