Mean Average Precision (mAP)

Mean Average Precision (mAP), bilgisayarla görü modellerinin performansını değerlendirmek için yaygın olarak kullanılan kapsamlı bir ölçüttür; özellikle nesne tespiti ve örnek bölütleme gibi görevlerde kullanılır. Yalnızca bir görselin doğru sınıflandırılıp sınıflandırılmadığını kontrol eden basit doğruluğun aksine mAP, bir modelin nesneleri ne kadar iyi bulduğunu ve etraflarındaki sınırlayıcı kutuyu ne kadar doğru konumlandırıdığını değerlendirir. Bu durum, onu YOLO26 gibi son teknoloji mimarileri önceki nesillerle karşılaştırmak için birincil kıstas haline getirir. mAP, tüm sınıflar genelinde kesinlik (precision) ve duyarlılık (recall) arasındaki ödünleşimi özetleyerek, gerçek dünya senaryolarında bir modelin sağlamlığını yansıtan tek bir puan sunar.

mAP'in Bileşenleri#

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

• Kesişim Üzerinden Birlik (IoU): Bu, tahmin edilen kutu ile yer deperi (ground truth) ek açıklaması arasındaki uzamsal örtüşmeyi ölçer. 0 ile 1 arasında değişen bir orandır. Bir tahmin, genellikle yalnızca IoU 0.5 veya 0.75 gibi belirli bir eşik değerini aştığında "Gerçek Pozitif" (True Positive) olarak kabul edilir.
• Kesinlik (Precision): Bu metrik şu soruyu yanıtlar: "Modelin tespit ettiğini iddia ettiği tüm nesnelerin ne kadarı gerçekten doğruydu?" Yüksek kesinlik, modelin çok az sayıda yanlış pozitif (false positive) ürettiği anlamına gelir.
• Duyarlılık (Recall): Bu metrik şu soruyu sorar: "Görselde gerçekten var olan tüm nesnelerin ne kadarını model buldu?" Yüksek duyarlılık, modelin yanlış negatiflerden kaçındığını ve nadiren bir nesneyi kaçırdığını gösterir.

Hesaplama Yöntemi#

Hesaplama, her bir belirli sınıf (ör. "kişi", "araba", "köpek") için Ortalama Kesinlik (AP) hesaplanarak başlar. Bu, kesinliği çeşitli güven (confidence) eşiklerinde duyarlılığa göre çizen Kesinlik-Duyarlılık Eğrisi'nin altındaki alanın bulunmasıyla yapılır. Mean Average Precision ifadesindeki "Mean" (Ortalama), eğitim verilerindeki tüm kategoriler genelinde bu AP puanlarının ortalamasının alınmasını ifade eder.

COCO veri kümesi gibi standart araştırma kıstasları sıklıkla iki ana varyasyon bildirir:

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'nin ortalamasıdır. Bu titiz metrik, yüksek konumlandırma doğruluğu elde eden modelleri ödüllendirir.

mAP ve İlgili Metrikler#

mAP'yi Doğruluktan (Accuracy) ayırmak önemlidir. Doğruluk, çıktının tüm görsel için tek bir etiket olduğu görsel sınıflandırma 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, performansın tüm güven seviyelerindeki entegrasyonunu sağlayarak model kararlılığının daha bütüncül bir görünümünü sunar.

Gerçek Dünya Uygulamaları#

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

• Otonom Araçlar: Otonom sürüş teknolojisinde güvenlik; yayaları ve trafik işaretlerini yüksek duyarlılıkla (hiçbir şeyi kaçırmadan) ve yüksek kesinlikle (hayalet frenlemeden kaçınarak) tespit etmeye bağlıdır. mAP, algı sisteminin bu ihtiyaçları etkili bir şekilde dengelemesini sağlar.
• Tıbbi Görüntü Analizi: Röntgenlerdeki tümörleri veya kırıkları tanımlarken radyologlar, olası sorunları işaretlemek için sağlık hizmetlerinde yapay zekaya güvenir. Yüksek bir mAP puanı, modelin doktoru yanlış alarmlarla boğmadan anormallikleri güvenilir bir şekilde vurguladığını ve doğru teşhisi kolaylaştırdığını gösterir.

Ultralytics ile mAP Ölçümü#

Modern çerçeveler, doğrulama (validation) aşamasında bu metriklerin hesaplanmasını basitleştirir. Aşağıdaki örnek, ultralytics Python paketini kullanarak bir modelin nasıl yükleneceğini ve mAP'nin 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'yi anlamak ve mAP için optimize etmek, model dağıtımı (model deployment) öncesinde çok önemlidir. Bu süreci kolaylaştırmak için Ultralytics Platform, eğitim sırasında mAP, kayıp eğrileri (loss curves) ve diğer KPI'ların otomatik olarak izlenmesini sunarak geliştiricilerin ilerlemeyi görselleştirmesine ve üretim için en iyi model kontrol noktasını seçmesine olanak tanır.