Mean Average Precision (mAP)

Ortalama Kesinlik Ortalaması (mAP), bilgisayarlı görü modellerinin performansını, özellikle nesne tespiti ve örnek segmentasyonu gibi görevlerde değerlendirmek için yaygın olarak kullanılan kapsamlı bir metriktir. Bir görüntünün doğru sınıflandırılıp sınıflandırılmadığını yalnızca kontrol eden basit doğruluğun aksine mAP, bir modelin nesneleri ne kadar iyi bulduğunu ve çevrelerindeki sınırlayıcı kutuyu ne kadar doğru konumlandırdığını değerlendirir. Bu, mAP'i YOLO26 gibi son teknoloji mimarileri önceki nesillerle karşılaştırmak için birincil kıyaslama metriği haline getirir. Tüm sınıflardaki kesinlik ve duyarlılık arasındaki dengeyi özetleyen mAP, bir modelin gerçek dünya senaryolarındaki sağlamlığını yansıtan tek bir skor sağlar.

mAP'in Bileşenleri#

mAP'i hesaplamak için öncelikle tespit kalitesini tanımlayan üç temel kavramı anlamak gerekir:

• Kesişim Üzerine Birleşim (IoU): Bu, tahmin edilen kutu ile gerçek değer açıklamasının uzamsal örtüşmesini ölçer. 0 ile 1 arasında değişen bir orandır. Bir tahmin, genellikle yalnızca IoU 0,5 veya 0,75 gibi belirli bir eşik değerini aşıyorsa "Doğru Pozitif" olarak kabul edilir.
• Kesinlik: Bu metrik, "Modelin tespit ettiğini iddia ettiği tüm nesnelerin ne kadarı gerçekten doğruydu?" sorusunu yanıtlar. Yüksek kesinlik, modelin çok az sayıda yanlış pozitif ürettiği anlamına gelir.
• Duyarlılık: Bu metrik, "Görüntüde gerçekten var olan tüm nesnelerin ne kadarını model buldu?" sorusunu sorar. Yüksek duyarlılık, modelin yanlış negatiflerden kaçındığını ve bir nesneyi nadiren gözden kaçırdığını gösterir.

Hesaplama Metodolojisi#

Hesaplama, her belirli sınıf için (ör. "kişi," "araba," "köpek") Ortalama Kesinlik'in (AP) hesaplanmasıyla başlar. Bu işlem, çeşitli güven eşiklerinde kesinliği duyarlılığa karşı gösteren Kesinlik-Duyarlılık Eğrisi altındaki alanın bulunmasıyla gerçekleştirilir. Ortalama Kesinlik Ortalaması'ndaki "Ortalama", bu AP skorlarının eğitim verilerindeki tüm kategoriler üzerinden ortalamasının alınmasını ifade eder.

COCO veri kümesi gibi standart araştırma kıyaslamaları, genellikle iki temel varyasyonu raporlar:

1. mAP@50: IoU en az 0,50 ise tespiti doğru kabul eder. Hoşgörülü bir metriktir.

2. mAP@50-95: Bu, 0,50 ile 0,95 arasındaki IoU eşiklerinde 0,05'lik artışlarla hesaplanan mAP değerlerinin ortalamasıdır. Bu titiz metrik, yüksek konumlandırma doğruluğu elde eden modelleri ödüllendirir.

mAP ve İlgili Metrikler#

mAP'i Doğruluk değerinden ayırmak önemlidir. Doğruluk, çıktının tüm görüntü için tek bir etiket olduğu görüntü sınıflandırma görevleri için uygundur; ancak nesnenin uzamsal konumunu veya arka plan sınıfını hesaba katmadığı için nesne tespitinde yetersiz kalır. Benzer şekilde, F1-Skoru tek bir güven eşiğinde kesinlik ve duyarlılığın harmonik ortalamasını sağlarken mAP, performansı tüm güven düzeyleri genelinde birleştirerek model kararlılığına daha kapsamlı bir bakış sunar.

Gerçek Dünya Uygulamaları#

Yüksek mAP skorları, güvenlik ve verimliliğin büyük önem taşıdığı ortamlarda kritik öneme sahiptir.

• Otonom Araçlar: Sürücüsüz teknolojide güvenlik, yayaları ve trafik işaretlerini yüksek duyarlılıkla (hiçbir şeyi gözden kaçırmadan) ve yüksek kesinlikle (hayalet frenlemeden kaçınarak) tespit etmeye bağlıdır. mAP, algılama sisteminin bu gereksinimleri etkili bir şekilde dengelemesini sağlar.
• Tıbbi Görüntü Analizi: Radyologlar, röntgen görüntülerindeki tümörleri veya kırıkları tespit ederken olası sorunları işaretlemek için sağlık hizmetlerinde yapay zekaya güvenir. Yüksek bir mAP skoru, modelin doktoru yanlış alarmlarla bunaltmadan anormallikleri güvenilir bir şekilde vurguladığını ve doğru tanıyı kolaylaştırdığını gösterir.

Ultralytics ile mAP Ölçümü#

Modern çerçeveler, doğrulama aşamasında bu metriklerin hesaplanmasını kolaylaştırır. Aşağıdaki örnek, bir modelin nasıl yükleneceğini ve ultralytics Python paketi kullanılarak mAP'in nasıl hesaplanacağını gösterir.

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}")

mAP'i anlamak ve mAP için optimizasyon yapmak, model dağıtımından önce kritik öneme sahiptir. Bu süreci kolaylaştırmak için Ultralytics Platformu, eğitim sırasında mAP'i, kayıp eğrilerini ve diğer KPI'ları otomatik olarak izler; böylece geliştiriciler ilerlemeyi görselleştirebilir ve üretim için en iyi model kontrol noktasını seçebilir.