Độ chính xác trung bình ( mAP )

Độ chính xác trung bình ( mAP ) là thước đo hiệu suất chính thức được sử dụng để đánh giá các mô hình thị giác máy tính , đặc biệt là các mô hình được thiết kế để phát hiện đối tượng và phân đoạn thực thể . Không giống như độ chính xác phân loại đơn giản, chỉ xác định xem nhãn hình ảnh có chính xác hay không, mAP đánh giá khả năng của một mô hình để vừa chính xác classify một vật thể và định vị chính xác nó trong hình ảnh bằng cách sử dụng hộp giới hạn . Đánh giá hai mục đích này biến nó thành tiêu chuẩn công nghiệp để so sánh các kiến trúc hiện đại như YOLO11 với các bộ phát hiện tiên tiến khác.

Các thành phần của mAP

Để hiểu mAP , trước tiên chúng ta phải hiểu mối quan hệ giữa ba khái niệm cơ bản: Giao điểm trên hợp ( IoU ) , Độ chính xác và Thu hồi.

• Giao điểm trên hợp ( IoU ): Đo lường sự chồng lấn không gian giữa hộp dự đoán và vị trí thực tế (vị trí thực tế của đối tượng). Tỷ lệ này nằm trong khoảng từ 0 đến 1. Cao hơn IoU cho thấy vị trí của mô hình rất gần với thực tế.
• Độ chính xác: Chỉ số này đo lường độ tin cậy của các dự đoán. Độ chính xác cao nghĩa là khi mô hình dự đoán một đối tượng, khả năng dự đoán đó là chính xác, giảm thiểu sai số.
• Thu hồi: Chỉ số này đo lường khả năng tìm kiếm tất cả các đối tượng hiện có của mô hình. Độ thu hồi cao nghĩa là mô hình nắm bắt được hầu hết các đối tượng trong cảnh, giảm thiểu lỗi âm tính giả.

Các mAP Tính toán bao gồm việc vẽ đường cong Độ chính xác-Ghi nhớ cho từng lớp đối tượng. "Độ chính xác trung bình" ( AP ) về cơ bản là diện tích bên dưới đường cong này. Cuối cùng, "Trung bình" trong mAP đến từ việc lấy trung bình những thứ này AP điểm số trên tất cả các lớp trong tập dữ liệu , cung cấp một điểm số toàn diện duy nhất.

mAP @50 so với mAP @50-95

Khi đọc các bài nghiên cứu hoặc các trang so sánh mô hình , bạn sẽ thường thấy mAP được báo cáo với các hậu tố khác nhau. Những điều này đề cập đến IoU ngưỡng được sử dụng để coi một phát hiện là "chính xác".

• mAP @50: Chỉ số này coi một dự đoán là chính xác nếu nó trùng khớp với dữ liệu thực tế ít nhất 50%. Đây là tiêu chuẩn cho các tập dữ liệu cũ hơn như Pascal VOC . Đây là một phép đo dễ dãi, ưu tiên việc tìm kiếm đối tượng hơn là căn chỉnh hoàn hảo.
• mAP @50-95: Được phổ biến bởi tập dữ liệu COCO , đây là tiêu chuẩn vàng hiện đại. Nó tính trung bình mAP được tính theo các bước 0,05 từ IoU 0,50 đến 0,95. Điều này sẽ thưởng cho các mô hình không chỉ tìm thấy vật thể mà còn định vị nó với độ chính xác cực cao ở cấp độ pixel, một tính năng chính của Ultralytics YOLO11 .

Các Ứng dụng Thực tế

Bởi vì mAP có thể dẫn đến cả báo động giả và phát hiện sai, điều này rất quan trọng trong môi trường có rủi ro cao.

1. Lái xe tự động: Trong lĩnh vực AI trong ô tô , một chiếc xe tự lái phải detect người đi bộ, các phương tiện khác và biển báo giao thông. Một cao mAP điểm số đảm bảo hệ thống nhận thức không bỏ sót chướng ngại vật (khả năng thu hồi cao) đồng thời tránh hiện tượng phanh ảo do phát hiện sai (độ chính xác cao).
2. Chẩn đoán y tế: Trong phân tích hình ảnh y tế , việc xác định khối u hoặc gãy xương đòi hỏi độ chính xác cao để tránh sinh thiết không cần thiết và khả năng thu hồi cao để đảm bảo không có tình trạng nào không được điều trị. AI trong chăm sóc sức khỏe dựa vào mAP để xác thực rằng các mô hình có thể hỗ trợ đáng tin cậy cho các bác sĩ X quang trên nhiều dữ liệu bệnh nhân khác nhau.

Phân biệt mAP từ Số liệu liên quan

Điều quan trọng là phải phân biệt mAP từ các thuật ngữ đánh giá tương tự để chọn số liệu phù hợp cho dự án của bạn.

• so với Độ chính xác: Độ chính xác là tỷ lệ giữa số dự đoán đúng và tổng số dự đoán. Phương pháp này hiệu quả trong phân loại ảnh nhưng lại không hiệu quả trong phát hiện đối tượng vì không tính đến lớp "nền" hoặc sự chồng chéo không gian của các hộp.
• so với Điểm F1: Điểm F1 là giá trị trung bình hài hòa của độ chính xác và độ thu hồi ở một ngưỡng tin cậy cụ thể . Mặc dù hữu ích để chọn điểm vận hành, mAP mạnh mẽ hơn vì nó đánh giá hiệu suất trên tất cả các ngưỡng tin cậy thay vì chỉ một ngưỡng.

Tính toán mAP với Python

Gói Python Ultralytics tự động hóa quá trình tính toán phức tạp mAP . Bằng cách chạy chế độ xác thực trên một mô hình đã được đào tạo, bạn có thể truy xuất ngay lập tức mAP điểm cho cả ngưỡng 50% và phạm vi nghiêm ngặt hơn là 50-95%.

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}")

Quy trình làm việc này cho phép các nhà phát triển đánh giá chuẩn mô hình của họ trên các tập dữ liệu chuẩn để phát hiện đối tượng , đảm bảo ứng dụng của họ đáp ứng các tiêu chuẩn hiệu suất cần thiết trước khi triển khai.