Ortalama Ortalama HassasiyetmAP)

Ortalama Ortalama HassasiyetmAP) değerlendirmek için kullanılan kesin performans ölçütüdür bilgisayarla görme modelleri, özellikle de nesne algılama için tasarlanmış ve örnek segmentasyonu. Basitten farklı olarak Sadece bir görüntü etiketinin doğru olup olmadığını belirleyen sınıflandırma doğruluğu, mAP bir modelin hem kullanarak bir nesneyi doğru şekilde classify ve görüntü içinde tam olarak konumlandırır. sınırlayıcı kutu. Bu çift amaçlı değerlendirme, onu gibi modern mimarileri kıyaslamak için endüstri standardıdır. YOLO11 diğer son teknoloji dedektörlere karşı.

mAP Bileşenleri

mAP'yi anlamak için öncelikle üç temel kavram arasındaki ilişkiyi anlamak gerekir: Birlik üzerinde kesişim (IoU), Kesinlik ve Geri Çağırma.

• Birlik üzerinde kesişim (IoU): Bu, öngörülen kutu ile tahmin edilen kutu arasındaki uzamsal örtüşmeyi ölçer. zemin gerçeği (gerçek nesne konumu). Bu, 0 ile 1 arasında değişen bir orandır. Daha yüksek bir IoU şunu gösterir modelinin yerelleştirilmesi gerçeğe çok yakındır.
• Kesinlik: Bu, tahminlerin güvenilirliğini ölçer. Yüksek hassasiyet, modelin bir nesneyi öngördüğü anlamına gelir, büyük olasılıkla doğrudur ve yanlış pozitifleri en aza indirir.
• Hatırlama: Bu, modelin mevcut tüm nesneleri bulma becerisini ölçer. Yüksek geri çağırma, modelin aşağıdaki nesnelerin çoğunu yakaladığı anlamına gelir sahne, yanlış negatifleri en aza indirir.

mAP hesaplaması, bir Hassasiyet-Geri Çağırma eğrisi her nesne sınıfı için. "Ortalama Hassasiyet"AP) esasen bu eğrinin altındaki alandır. Son olarak mAP 'deki "ortalama", bu AP puanlarının tüm sınıflardaki ortalamasından gelir. veri kümesi, tek ve kapsamlı bir skor sağlar.

mAP vs. mAP

Araştırma makalelerini veya model karşılaştırma sayfalarını okurken mAP 'nin genellikle farklı son eklerle raporlandığını görürsünüz. Bunlar, bir tespiti değerlendirmek için kullanılan IoU eşiğini ifade eder "Doğru."

• mAP: Bu metrik, bir tahminin temel gerçekle en az şu kadar örtüşmesi durumunda doğru olduğunu kabul eder 50%. Bu, aşağıdaki gibi eski veri kümeleri için standarttı Pascal VOC. Bu yumuşak bir metriktir mükemmel hizalama yerine nesneyi bulmaya öncelik verir.
• mAP: COCO veri seti tarafından popüler hale getirilen bu modern altın standart. IoU 0,50'den 0,95'e kadar 0,05'lik adımlarla hesaplanan mAP 'nin ortalamasını alır. Bu, modelleri ödüllendirir sadece nesneyi bulmakla kalmaz, aynı zamanda onu piksel düzeyinde son derece hassas bir şekilde bulur. Ultralytics YOLO11.

Gerçek Dünya Uygulamaları

mAP hem yanlış alarmları hem de kaçırılan tespitleri hesaba kattığından, yüksek riskli ortamlarda kritik öneme sahiptir.

1. Otonom Sürüş: Bu alanda Otomotivde yapay zeka, sürücüsüz bir otomobil yayaları, diğer araçları ve trafik işaretlerini detect eder. Yüksek bir mAP puanı, algılama sisteminin aşağıdakileri kaçırmamasını sağlar engelleri (yüksek geri çağırma) önlerken yanlış tespitlerin neden olduğu hayali frenlemeden kaçınır (yüksek hassasiyet).
2. Tıbbi Teşhis: İçinde tıbbi görüntü analizi, tümörlerin tanımlanması veya kırıklar, gereksiz biyopsilerden kaçınmak için yüksek hassasiyet ve hiçbir durumun gözden kaçmamasını sağlamak için yüksek geri çağırma gerektirir. tedavi edilmemiş. Sağlık hizmetlerinde yapay zeka, mAP ' ye dayanır Modellerin çeşitli hasta verilerinde radyologlara güvenilir bir şekilde yardımcı olabileceğini doğrulamak.

mAP 'yi İlgili Metriklerden Ayırt Etme

Projeniz için doğru metriği seçmek için mAP 'yi benzer değerlendirme terimlerinden ayırmak önemlidir.

• vs. Doğruluk: Doğruluk, aşağıdakilerin oranıdır doğru tahminlerin toplam tahminlere oranı. Görüntü sınıflandırma için iyi çalışır, ancak nesne algılamada başarısız olur çünkü "arka plan" sınıfını veya kutuların uzamsal örtüşmesini hesaba katmamaktadır.
• vs. F1 Puanı: F1 Puanı Belirli bir güven eşiğinde hassasiyet ve geri çağırmanın harmonik ortalaması. Bir seçim yapmak için yararlı olsa da çalışma noktası, mAP daha sağlamdır çünkü performansı tüm tek bir eşik yerine güven eşikleri.

Python ile mAP Hesaplama

Ultralytics Python paketi, aşağıdaki karmaşık süreci otomatikleştirir mAP hesaplama. Doğrulama modunu eğitilmiş bir model üzerinde çalıştırarak, hem model hem de model için mAP puanlarını anında alabilirsiniz. 50 eşiği ve daha katı olan %50-95 aralığı.

from ultralytics import YOLO

# Load the YOLO11 nano model
model = YOLO("yolo11n.pt")

# Validate on the COCO8 dataset (downloads automatically)
metrics = model.val(data="coco8.yaml")

# Access the mAP50-95 attribute from the box metrics
# This returns the mean average precision averaged over IoU 0.5-0.95
print(f"mAP50-95: {metrics.box.map}")

Bu iş akışı, geliştiricilerin modellerini standart Nesne tespiti için veri kümeleri, uygulamalarının sağlanması konuşlandırmadan önce gerekli performans standartlarını karşılamalıdır.