Mean Average Precision (mAP)

Mean Average Precision (mAP) là một số liệu toàn diện được sử dụng rộng rãi để đánh giá hiệu suất của các model computer vision, đặc biệt trong các tác vụ như object detection và instance segmentation. Không giống như accuracy đơn thuần, vốn chỉ kiểm tra xem một hình ảnh có được phân loại chính xác hay không, mAP đánh giá mức độ tốt của một model trong việc tìm kiếm các đối tượng và độ chính xác khi định vị bounding box xung quanh chúng. Điều này biến nó trở thành tiêu chuẩn đo lường (benchmark) hàng đầu để so sánh các kiến trúc hiện đại như YOLO26 với các thế hệ trước. Bằng cách tóm tắt sự cân bằng giữa precision và recall trên tất cả các class, mAP cung cấp một điểm số duy nhất phản ánh sự mạnh mẽ (robustness) của model trong các tình huống thực tế.

Link to this sectionCác thành phần của mAP#

Để tính mAP, cần phải hiểu ba khái niệm cơ bản xác định chất lượng của detection:

• Intersection over Union (IoU): Chỉ số này đo lường mức độ chồng lấp không gian giữa box được dự đoán và chú thích ground truth. Đây là một tỷ lệ nằm trong khoảng từ 0 đến 1. Một dự đoán thường chỉ được coi là "True Positive" nếu IoU vượt quá một ngưỡng cụ thể, chẳng hạn như 0.5 hoặc 0.75.
• Precision: Số liệu này trả lời câu hỏi, "Trong số tất cả các đối tượng mà model khẳng định đã phát hiện, bao nhiêu phần trăm là thực sự chính xác?" Precision cao nghĩa là model tạo ra rất ít false positives.
• Recall: Số liệu này trả lời câu hỏi, "Trong số tất cả các đối tượng thực sự tồn tại trong hình ảnh, bao nhiêu phần trăm đã được model tìm thấy?" Recall cao cho thấy model tránh được các false negative và hiếm khi bỏ sót đối tượng.

Link to this sectionPhương pháp tính toán#

Việc tính toán bắt đầu bằng cách tính Average Precision (AP) cho từng class cụ thể (ví dụ: "person", "car", "dog"). Điều này được thực hiện bằng cách tìm diện tích dưới Precision-Recall Curve, biểu đồ biểu diễn precision so với recall tại các ngưỡng confidence khác nhau. "Mean" trong Mean Average Precision đơn giản là tính trung bình cộng các điểm số AP này trên tất cả các danh mục trong training data.

Các tiêu chuẩn nghiên cứu (benchmark), chẳng hạn như COCO dataset, thường báo cáo hai biến thể chính:

1. mAP@50: Chỉ số này coi một detection là đúng nếu IoU đạt ít nhất 0.50. Đây là một số liệu tương đối dễ dãi.

2. mAP@50-95: Đây là giá trị trung bình của mAP được tính tại các ngưỡng IoU từ 0.50 đến 0.95 với bước nhảy 0.05. Số liệu nghiêm ngặt này khen thưởng các model đạt được localization accuracy cao.

Link to this sectionmAP và các số liệu liên quan#

Việc phân biệt mAP với Accuracy là rất quan trọng. Accuracy phù hợp cho image classification nơi đầu ra là một nhãn duy nhất cho toàn bộ hình ảnh, nhưng nó không hiệu quả trong object detection vì không tính đến vị trí không gian của đối tượng hoặc class nền (background). Tương tự, trong khi F1-Score cung cấp giá trị trung bình điều hòa của precision và recall tại một ngưỡng confidence duy nhất, mAP tích hợp hiệu suất trên tất cả các mức confidence, mang lại cái nhìn toàn diện hơn về độ ổn định của model.

Link to this sectionCác ứng dụng trong thực tế#

Điểm mAP cao là rất quan trọng trong các môi trường mà sự an toàn và hiệu quả được đặt lên hàng đầu.

• Autonomous Vehicles: Trong công nghệ tự lái, sự an toàn phụ thuộc vào việc phát hiện người đi bộ và biển báo giao thông với recall cao (không bỏ sót bất cứ thứ gì) và precision cao (tránh phanh ảo). mAP đảm bảo hệ thống nhận thức cân bằng các nhu cầu này một cách hiệu quả.
• Medical Image Analysis: Khi xác định khối u hoặc vết gãy trong ảnh X-quang, các bác sĩ chẩn đoán hình ảnh dựa vào AI in healthcare để đánh dấu các vấn đề tiềm ẩn. Điểm mAP cao cho thấy model làm nổi bật các bất thường một cách đáng tin cậy mà không gây quá tải cho bác sĩ bằng các báo động giả, qua đó hỗ trợ chẩn đoán chính xác.

Link to this sectionĐo lường mAP với Ultralytics#

Các framework hiện đại đơn giản hóa việc tính toán các số liệu này trong giai đoạn validation. Ví dụ sau đây minh họa cách load một model và tính mAP bằng cách sử dụng gói ultralytics cho Python.

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}")

Việc hiểu và tối ưu hóa mAP là rất quan trọng trước khi thực hiện model deployment. Để hợp lý hóa quy trình này, Ultralytics Platform cung cấp khả năng theo dõi tự động mAP, các đường cong loss và các KPI khác trong quá trình huấn luyện, cho phép các lập trình viên trực quan hóa tiến độ và chọn checkpoint model tốt nhất cho môi trường production.