اكتشف أهمية متوسط الدقة المتوسطة (mAP) في تقييم نماذج اكتشاف الأجسام لتطبيقات الذكاء الاصطناعي مثل القيادة الذاتية والرعاية الصحية.
متوسط الدقة المتوسطة (mAP) هو مقياس يستخدم على نطاق واسع لتقييم أداء نماذج اكتشاف الأجسام، مثل Ultralytics YOLO الشهير. وهو يوفر درجة واحدة وشاملة تلخص قدرة النموذج على تحديد وتحديد موقع الكائنات بشكل صحيح عبر مختلف الفئات ومستويات الثقة. على عكس المقاييس الأبسط، يوازن mAP بشكل فعال بين المفاضلة بين العثور على جميع الكائنات ذات الصلة (الاستدعاء) وضمان صحة الكائنات التي تم العثور عليها بالفعل (الدقة)، مما يجعله أمرًا بالغ الأهمية لتقييم النماذج المستخدمة في التطبيقات المعقدة مثل الأنظمة المستقلة والتشخيص الطبي.
لفهم mAP، من الضروري أولاً فهم الدقة والاسترجاع. في الكشف عن الكائنات
غالبًا ما يكون لهذين المقياسين علاقة عكسية؛ حيث يمكن أن يؤدي تحسين أحدهما إلى تقليل الآخر في بعض الأحيان. يوفر mAP طريقة لتقييم النموذج عبر نقاط مختلفة من هذه المفاضلة. يمكنك معرفة المزيد عن أساسيات الدقة والاسترجاع على ويكيبيديا.
يتضمن حساب mAP عدة خطوات. أولاً، بالنسبة لكل فئة من فئات الكائنات، يتم فرز تنبؤات النموذج حسب درجات الثقة الخاصة بها. بعد ذلك، يتم إنشاء منحنى الدقة والاستدعاء من خلال حساب قيم الدقة والاستدعاء عند عتبات ثقة مختلفة. تعطي المساحة تحت هذا المنحنى (AUC) متوسط الدقة (AP) لتلك الفئة المحددة. وأخيرًا، يتم حساب متوسط الدقة (mAP) من خلال حساب متوسط قيم الدقة (AP) عبر جميع فئات الكائنات في مجموعة البيانات.
في كثير من الأحيان، يتم الإبلاغ عن mAP عند عتبات تقاطع محددة على الاتحاد (IoU )، والتي تقيس مدى تداخل المربع المحدود المتوقع مع مربع الحقيقة الأرضية. تتضمن المتغيرات الشائعة ما يلي:
لإلقاء نظرة تفصيلية على كيفية تطبيق هذه المقاييس على نماذج YOLO راجع دليل مقاييس أداءYOLO .
يعد متوسط الدقة المتوسطة أمرًا حيويًا لأنه يقدم نظرة شاملة لأداء نموذج اكتشاف الكائنات. فهو يأخذ في الحسبان كلاً من دقة التصنيف (هل فئة الكائن صحيحة؟) ودقة التوطين (هل تم وضع المربع المحدد بشكل صحيح؟) عبر جميع الفئات. وهذا يجعلها أكثر إفادة من النظر إلى الدقة أو الاستدعاء وحده، خاصةً في مجموعات البيانات التي تحتوي على فئات كائنات متعددة أو توزيعات غير متوازنة للفئات. يشير ارتفاع درجة mAP بشكل عام إلى وجود نموذج أكثر قوة وموثوقية للكشف عن الكائنات. غالبًا ما يتضمّن تحسين mAP تقنيات مثل ضبط المعلمة الفائقة واستخدام بيانات تدريب أفضل.
يعد mAP أمرًا بالغ الأهمية في تقييم النماذج للمهام الواقعية حيث تكون الدقة أمرًا بالغ الأهمية:
من المهم التمييز بين mAP ومقاييس التقييم ذات الصلة:
تسمح أدوات مثل Ultralytics HUB للمستخدمين بتدريب النماذج وتتبعها وتقييمها، مع عرض mAP بشكل بارز كمؤشر أداء رئيسي. أطر عمل مثل PyTorch و TensorFlow اللبنات الأساسية لهذه النماذج. وتستخدم مجموعات البيانات القياسية مثل COCO و PASCAL VOC mAP كمقياس أساسي لمقارنة نماذج اكتشاف الأجسام، مما يؤدي إلى إحراز تقدم في هذا المجال. يمكنك استكشاف ومقارنة أداء النماذج المختلفة، والتي غالبًا ما يتم قياسها بواسطة mAP، على صفحات مقارنة نماذجUltralytics .