Độ chính xác trung bình ( mAP )

Độ chính xác trung bình ( mAP (Chỉ số này) là một thước đo toàn diện được sử dụng để đánh giá hiệu suất của các mô hình phát hiện đối tượng. Không giống như các thước đo đơn giản hơn như độ chính xác, chỉ cho biết tỷ lệ phần trăm phân loại chính xác, mAP Nó đánh giá khả năng của mô hình trong việc nhận diện đối tượng chính xác và định vị chúng một cách chuẩn xác trong ảnh. Nó kết hợp các khái niệm về độ chính xác và độ thu hồi thành một điểm số duy nhất, trở thành tiêu chuẩn ngành để so sánh các kiến trúc hiện đại như YOLO26 với các bộ dò tiên tiến khác. Bởi vì nó tính đến cả sai sót dương tính giả (phát hiện đối tượng không có) và sai sót âm tính giả (bỏ sót đối tượng), mAP Cung cấp một thước đo độ tin cậy mạnh mẽ cho các ứng dụng thực tế.

Làm sao mAP được tính toán

Để hiểu mAP Điều cần thiết là phải nắm vững các thành phần cơ bản trước tiên: Độ chính xác (Precision ), Độ thu hồi (Recall ) và Tỷ lệ giao nhau trên hợp nhất (Intersection over Union - IoU ) .

• Độ chính xác : Tham số này đo lường độ chính xác của các dự đoán tích cực. Độ chính xác cao có nghĩa là khi mô hình dự đoán một đối tượng, khả năng dự đoán đó chính xác là rất cao.
• Độ chính xác (Recall ): Chỉ số này đo lường khả năng của mô hình trong việc tìm ra tất cả các trường hợp liên quan trong tập dữ liệu. Độ chính xác cao có nghĩa là mô hình bỏ sót rất ít đối tượng.
• Giao điểm trên hợp nhất ( IoU ) : Chỉ số này định lượng mức độ chồng lấp giữa hộp giới hạn dự đoán và hộp giới hạn thực tế . Giá trị nằm giữa 0 và 1, trong đó số càng cao thì khả năng định vị càng tốt.

Quá trình tính toán bao gồm việc vẽ Đường cong Độ chính xác-Độ thu hồi cho mỗi lớp (ví dụ: "ô tô", "người đi bộ"). Độ chính xác trung bình ( AP ) là diện tích dưới đường cong này. Cuối cùng, "Trung bình" trong mAP đề cập đến giá trị trung bình của những điều này. AP Điểm số được tính toán trên tất cả các lớp trong tập dữ liệu . Điều này đảm bảo mô hình hoạt động tốt trên nhiều loại danh mục khác nhau, chứ không chỉ những danh mục phổ biến nhất.

Chung mAP Số liệu

Trong các bài nghiên cứu và bảng xếp hạng so sánh mô hình , bạn sẽ thường xuyên bắt gặp các biến thể của mAP dựa trên các yếu tố khác nhau IoU ngưỡng.

• mAP @50 : Chỉ số này tính điểm và coi một phát hiện là "chính xác" nếu độ trùng khớp với dữ liệu thực tế ít nhất là 50%. Điều này phổ biến trong các bộ dữ liệu chuẩn cũ hơn như PASCAL VOC . Đây là một chỉ số khá dễ tính, tập trung nhiều hơn vào phân loại hơn là định vị chính xác.
• mAP @50-95 : Được phổ biến bởi bộ dữ liệu COCO , đây hiện là tiêu chuẩn vàng. Nó tính trung bình của... mAP được tính toán tại IoU Các bước nhảy là 0,05, nằm trong khoảng từ 0,50 đến 0,95. Chỉ số nghiêm ngặt này đánh giá cao các mô hình có khả năng định vị đối tượng với độ chính xác cao ở cấp độ pixel, một khả năng nổi bật của kiến trúc Ultralytics YOLO26 .

Các Ứng dụng Thực tế

Cao mAP Điểm số đóng vai trò rất quan trọng trong môi trường mà an toàn và hiệu quả là yếu tố tối quan trọng.

1. Lái xe tự hành : Xe tự lái phải hoạt động một cách đáng tin cậy. detect Người đi bộ, biển báo giao thông và các phương tiện khác. Mức độ cao mAP Điểm số này đảm bảo hệ thống nhận thức không bỏ sót chướng ngại vật (độ nhớ cao) đồng thời tránh được hiện tượng phanh gấp nguy hiểm do báo động sai (độ chính xác cao).
2. Phân tích hình ảnh y tế : Trong lĩnh vực chăm sóc sức khỏe, việc xác định khối u hoặc gãy xương đòi hỏi độ chính xác cực cao. Trí tuệ nhân tạo trong chăm sóc sức khỏe dựa trên các mô hình có độ chính xác cao. mAP Hỗ trợ các bác sĩ X quang bằng cách làm nổi bật chính xác các vùng cần quan tâm mà không làm họ choáng ngợp bởi các cảnh báo sai, giúp chẩn đoán nhanh chóng và chính xác hơn.

Sự khác biệt giữa mAP và Độ chính xác

Điều quan trọng là phải phân biệt mAP Từ độ chính xác tiêu chuẩn. Mặc dù độ chính xác hoạt động tốt trong phân loại hình ảnh , nơi mục tiêu là gắn nhãn cho toàn bộ hình ảnh, nhưng nó lại thất bại trong phát hiện đối tượng . Độ chính xác không tính đến sự chồng chéo không gian của các hộp giới hạn hoặc lớp "nền" (các khu vực không có đối tượng). Một mô hình có thể đạt được độ chính xác cao bằng cách đơn giản dự đoán "không có đối tượng" cho mọi mảng nền, nhưng lại hoàn toàn thất bại trong việc phát hiện các đối tượng thực sự. mAP Cụ thể, phương pháp này giải quyết vấn đề bằng cách đánh giá tính chính xác của các phát hiện và sự sắp xếp không gian của chúng.

Tính toán mAP với Python

Gói phần mềm Ultralytics Python giúp đơn giản hóa các phép toán phức tạp đằng sau đó. mAP Bằng cách chạy chế độ xác thực trên mô hình đã được huấn luyện, các nhà phát triển có thể ngay lập tức thu thập được kết quả. mAP Điểm số được tính cho cả ngưỡng tiêu chuẩn 50% và phạm vi nghiêm ngặt hơn từ 50-95%. Đây là bước thiết yếu khi chuẩn bị mô hình để triển khai thông qua Nền tảng Ultralytics .

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Validate the model on the COCO8 dataset
# The val() method automatically computes mAP@50 and mAP@50-95
metrics = model.val(data="coco8.yaml")

# Print the mAP@50-95 score, often just called mAP in modern benchmarks
print(f"mAP@50-95: {metrics.box.map}")

Quy trình làm việc được tối ưu hóa này cho phép các nhóm đánh giá hiệu năng mô hình của họ trên các tập dữ liệu chuẩn về phát hiện đối tượng , đảm bảo rằng các ứng dụng thị giác máy tính của họ đáp ứng các tiêu chuẩn hiệu năng cần thiết. Bằng cách theo dõi các chỉ số này trong quá trình huấn luyện , các nhà phát triển có thể tinh chỉnh các siêu tham số để đạt được sự cân bằng tốt nhất giữa độ chính xác và độ thu hồi.