Ortalama Ortalama HassasiyetmAP)

Ortalama Hassasiyet (mAP), özellikle nesne algılama ve örnek segmentasyonu gibi görevlerde bilgisayar görme modellerinin performansını değerlendirmek için yaygın olarak kullanılan kapsamlı bir metriktir. Bir görüntünün doğru sınıflandırılıp sınıflandırılmadığını kontrol eden basit doğruluktan farklı olarak, mAP bir modelin nesneleri ne kadar iyi bulduğunu ve bunların etrafındaki sınırlayıcı kutuyu ne kadar doğru konumlandırdığını mAP . Bu, onu YOLO26 gibi en son teknoloji mimarileri önceki nesillerle karşılaştırmak için birincil kriter haline getirir. Tüm sınıflarda kesinlik ve geri çağırma arasındaki dengeyi özetleyerek, mAP bir modelin gerçek dünya senaryolarındaki sağlamlığını yansıtan tek bir puan mAP .

mAP Bileşenleri

mAP hesaplamak için, öncelikle algılama kalitesini tanımlayan üç temel kavramı anlamak gerekir:

• Kesişim Üzerinde Birlik (IoU): Bu, tahmin edilen kutu ile gerçek veri açıklaması arasındaki uzamsal örtüşmeyi ölçer. 0 ile 1 arasında değişen bir orandır. Bir tahmin, genellikle IoU belirli bir eşiği, örneğin 0,5 veya 0,75 IoU "Doğru Pozitif" olarak kabul edilir.
• Hassasiyet: Bu metrik, "Modelin detect iddia ettiği tüm nesnelerden, hangilerinin gerçekten doğru olduğu?" sorusuna cevap verir. Yüksek hassasiyet, modelin çok az sayıda yanlış pozitif sonuç ürettiği anlamına gelir.
• Geri çağırma: Bu metrik, "Görüntüde gerçekten var olan tüm nesnelerden modelin ne kadarını buldu?" sorusunu sorar. Yüksek hatırlama, modelin yanlış negatifleri önlediğini ve nadiren bir nesneyi kaçırdığını gösterir.

Hesaplama Metodolojisi

Hesaplama, her bir sınıf için Ortalama Hassasiyet (AP) değerinin hesaplanmasıyla başlar (örneğin, "kişi", "araba", "köpek") için Ortalama Hassasiyet (AP) hesaplanarak başlar. Bu, çeşitli güven eşiklerinde hassasiyeti geri çağırmaya karşı gösteren Hassasiyet-Geri Çağırma Eğrisi altındaki alanı bularak yapılır. Ortalama Ortalama Hassasiyet'teki "Ortalama", eğitim verilerindeki tüm kategorilerdeki bu AP ortalamasını almayı ifade eder.

COCO gibi standart araştırma karşılaştırma ölçütleri, sıklıkla iki ana varyasyonu rapor eder:

1. mAP: IoU en az 0,50 IoU algılamayı doğru kabul IoU . Bu, hoşgörülü bir ölçüttür.
2. mAP: Bu, 0,50 ile 0,95 arasındaki IoU 0,05'lik adımlarla mAP ortalamasıdır. Bu titiz metrik, yüksek yerelleştirme doğruluğu elde eden modelleri ödüllendirir.

mAP İlgili Metrikler

mAP Doğruluk mAP ayrım yapmak önemlidir. Doğruluk , çıktının tüm görüntü için tek bir etiket olduğu görüntü sınıflandırması için uygundur, ancak nesnenin uzamsal konumunu veya arka plan sınıfını hesaba katmadığı için nesne algılamada başarısız olur. Benzer şekilde, F1-Score tek bir güven eşiğinde hassasiyet ve geri çağırmanın harmonik ortalamasını sağlarken, mAP tüm güven düzeylerinde performansı mAP model kararlılığı hakkında daha bütünsel bir görünüm sunar. mAP , tek bir güven eşiğinde hassasiyet ve geri çağırmanın harmonik ortalamasını sağlarken, F 1-Score tek bir güven eşiğinde hassasiyet ve geri çağırmanın harmonik ortalamasını sağlar.

Gerçek Dünya Uygulamaları

Yüksek mAP , güvenlik ve verimliliğin öncelikli olduğu ortamlarda çok önemlidir.

• Otonom Araçlar: Otonom sürüş teknolojisinde güvenlik, yayaları ve trafik işaretlerini yüksek hatırlama (hiçbir şeyi kaçırmama) ve yüksek hassasiyet (hayali frenlemeyi önleme) ile algılamaya bağlıdır. mAP , algılama sisteminin bu ihtiyaçları etkili bir şekilde dengelediğinden mAP .
• Tıbbi Görüntü Analizi: Röntgenlerde tümörleri veya kırıkları tespit ederken, radyologlar potansiyel sorunları işaretlemek için sağlık hizmetlerinde yapay zekaya güveniyorlar. Yüksek mAP , modelin yanlış alarmlarla doktoru zorlamadan anomalileri güvenilir bir şekilde vurguladığını ve doğru teşhisi kolaylaştırdığını gösteriyor.

Ultralytics mAP ölçümü

Modern çerçeveler, bu metriklerin hesaplanmasını basitleştirir. doğrulama aşaması. Aşağıdaki örnek, bir modeli nasıl yükleyeceğinizi ve mAP ultralytics Python paketi.

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}")

Model dağıtımından önce mAP anlamak ve optimize etmek çok mAP . Bu süreci kolaylaştırmak için Ultralytics , eğitim sırasında mAP, kayıp eğrileri ve diğer KPI'ların otomatik olarak izlenmesini sağlar, böylece geliştiriciler ilerlemeyi görselleştirebilir ve üretim için en iyi model kontrol noktasını seçebilirler .