Mean Average Precision (mAP)

Mean Average Precision (mAP) is a comprehensive metric widely used to evaluate the performance of computer vision models, specifically in tasks like object detection and instance segmentation. Unlike simple accuracy, which merely checks if an image is classified correctly, mAP assesses how well a model finds objects and how accurately it positions the bounding box around them. This makes it the primary benchmark for comparing state-of-the-art architectures like YOLO26 against previous generations. By summarizing the trade-off between precision and recall across all classes, mAP provides a single score that reflects a model's robustness in real-world scenarios.

Link to this sectionmAP'in Bileşenleri#

mAP'i hesaplamak için, önce algılama kalitesini tanımlayan üç temel kavramı anlamak gerekir:

• Kesişim Üzerinde Birleşim (IoU): Bu, tahmin edilen kutu ile yer gerçekliği notasyonu arasındaki uzamsal örtüşmeyi ölçer. 0 ile 1 arasında değişen bir orandır. Bir tahmin genellikle ancak IoU değeri 0,5 veya 0,75 gibi belirli bir eşiği aştığında "Doğru Pozitif" olarak kabul edilir.
• Hassasiyet: Bu metrik şu soruyu yanıtlar: "Modelin algıladığını iddia ettiği tüm nesnelerin ne kadarı gerçekten doğruydu?" Yüksek hassasiyet, modelin çok az yanlış pozitif ürettiği anlamına gelir.
• Geri Çağırma: Bu metrik şu soruyu sorar: "Görüntüde gerçekten var olan tüm nesnelerin ne kadarını model bulabildi?" Yüksek geri çağırma, modelin yanlış negatiflerden kaçındığını ve nadiren nesne kaçırdığını gösterir.

Link to this sectionHesaplama Yöntemi#

The calculation begins by computing the Average Precision (AP) for each specific class (e.g., "person," "car," "dog"). This is done by finding the area under the Precision-Recall Curve, which plots precision against recall at various confidence thresholds. The "Mean" in Mean Average Precision simply refers to averaging these AP scores across all categories in the training data.

COCO veri seti gibi standart araştırma kıyaslamaları, genellikle iki ana varyasyon raporlar:

1. mAP@50: IoU değerinin en az 0,50 olması durumunda bir algılamayı doğru kabul eder. Bu esnek bir metriktir.

2. mAP@50-95: Bu, 0,05'lik adımlarla 0,50'den 0,95'e kadar olan IoU eşiklerinde hesaplanan mAP'in ortalamasıdır. Bu titiz metrik, yüksek konumlandırma doğruluğu elde eden modelleri ödüllendirir.

Link to this sectionmAP ve İlgili Metrikler#

mAP'i Doğruluk değerinden ayırmak önemlidir. Doğruluk, çıktının tüm görüntü için tek bir etiket olduğu görüntü sınıflandırma için uygundur, ancak nesne algılamada nesnenin uzamsal konumunu veya arka plan sınıfını hesaba katmadığı için başarısız olur. Benzer şekilde, F1-Skoru tek bir güven eşiğinde hassasiyet ve geri çağırmanın harmonik ortalamasını sağlarken, mAP performansı tüm güven seviyelerinde bütünleştirerek modelin kararlılığına dair daha kapsamlı bir bakış açısı sunar.

Link to this sectionGerçek Dünya Uygulamaları#

Yüksek mAP skorları, güvenlik ve verimliliğin en üst düzeyde olduğu ortamlarda kritiktir.

• Otonom Araçlar: Sürücüsüz teknolojide güvenlik, yayaların ve trafik işaretlerinin yüksek geri çağırma (hiçbir şeyi kaçırmadan) ve yüksek hassasiyetle (hayali frenlemelerden kaçınarak) algılanmasına bağlıdır. mAP, algı sisteminin bu ihtiyaçları etkili bir şekilde dengelemesini sağlar.
• Tıbbi Görüntü Analizi: Röntgendeki tümörleri veya kırıkları tanımlarken radyologlar, potansiyel sorunları işaretlemek için sağlık hizmetlerinde yapay zekaya güvenirler. Yüksek bir mAP skoru, modelin doktoru yanlış alarmlarla bunaltmadan anomalileri güvenilir bir şekilde vurguladığını ve doğru teşhisi kolaylaştırdığını gösterir.

Link to this sectionUltralytics ile mAP Ölçümü#

Modern çerçeveler, doğrulama aşamasında bu metriklerin hesaplanmasını basitleştirir. Aşağıdaki örnek, ultralytics Python paketini kullanarak bir modelin nasıl yükleneceğini ve mAP'in nasıl hesaplanacağını göstermektedir.

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 ona göre optimize etmek, model dağıtımı öncesinde çok önemlidir. Bu süreci kolaylaştırmak için Ultralytics Platform, eğitim sırasında mAP, kayıp eğrileri ve diğer temel performans göstergelerinin (KPI) otomatik takibini sunarak geliştiricilerin ilerlemeyi görselleştirmesine ve üretim için en iyi model kontrol noktasını seçmesine olanak tanır.