مسرد المصطلحات

متوسط الدقة المتوسطة (mAP)

اكتشف أهمية متوسط الدقة المتوسطة (mAP) في تقييم نماذج اكتشاف الأجسام لتطبيقات الذكاء الاصطناعي مثل القيادة الذاتية والرعاية الصحية.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

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.

فهم الأساسيات: الدقة والاسترجاع

لفهم mAP، من الضروري أولاً فهم الدقة والاسترجاع. في الكشف عن الكائنات

  • الدقة: يقيس عدد الأجسام المكتشفة الصحيحة بالفعل. الدقة العالية تعني أن النموذج يقوم بعدد قليل من الاكتشافات الإيجابية الخاطئة.
  • الاسترجاع: يقيس عدد الكائنات الفعلية الموجودة التي اكتشفها النموذج بشكل صحيح. يعني الاستدعاء المرتفع أن النموذج يعثر على معظم الأجسام ذات الصلة، مما يقلل من السلبيات الخاطئة.

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.

كيف يتم حساب mAP

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:

  • mAP@0.5: تم حسابه باستخدام عتبة IoU تبلغ 0.5. هذا مقياس قياسي يُستخدم غالبًا في معايير مثل PASCAL VOC.
  • mAP@0.5:0.95: متوسط mAP المحسوب على عتبات متعددة لوحدات القياس المتكاملة (من 0.5 إلى 0.95، وعادةً ما يكون ذلك على خطوات تبلغ 0.05). هذا هو المقياس الأساسي الذي تستخدمه مجموعة بيانات COCO ويوفر تقييماً أكثر صرامة لدقة التوطين.

لإلقاء نظرة تفصيلية على كيفية تطبيق هذه المقاييس على نماذج YOLO راجع دليل مقاييس أداءYOLO .

سبب أهمية mAP

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.

التطبيقات الواقعية

يعد mAP أمرًا بالغ الأهمية في تقييم النماذج للمهام الواقعية حيث تكون الدقة أمرًا بالغ الأهمية:

  • المركبات ذاتية القيادة: تحتاج السيارات ذاتية القيادة إلى اكتشاف المشاة والمركبات الأخرى وإشارات المرور والعوائق بشكل موثوق. تضمن درجة mAP العالية أن يكون نظام الإدراك دقيقاً بما يكفي للملاحة الآمنة. استكشف الذكاء الاصطناعي في حلول القيادة الذاتية لمعرفة كيفية تطبيق نماذج الكشف.
  • تحليل الصور الطبية: في مجال الرعاية الصحية، تتطلب نماذج الكشف عن الأورام أو الآفات أو غيرها من الحالات الشاذة في عمليات المسح (مثل الأشعة السينية أو التصوير بالرنين المغناطيسي) دقة عالية في التشخيص. ويضمن ذلك دقة التشخيص، مما يقلل من الاكتشافات الفائتة (يلزم الاستدعاء العالي) والإنذارات الكاذبة (يلزم دقة عالية). تعرف على المزيد حول الذكاء الاصطناعي في تطبيقات الرعاية الصحية.

mAP مقابل المقاييس الأخرى

من المهم التمييز بين mAP ومقاييس التقييم ذات الصلة:

  • الدقة: على الرغم من أنها مفيدة لمهام التصنيف، إلا أن الدقة غير مناسبة بشكل عام لاكتشاف الكائنات. فهي لا تأخذ في الحسبان جودة التوطين ويمكن أن تكون مضللة في مجموعات البيانات التي تهيمن عليها الخلفية أو عدم توازن الصفوف.
  • التقاطع على الاتحاد (IoU): يقيس IoU التداخل بين مربع حد واحد متوقع ومربع الحقيقة الأرضية المقابل له. بينما يتم استخدام عتبات IoU في حساب mAP لتحديد ما إذا كان الاكتشاف صحيحًا، لا يوفر IoU نفسه درجة أداء شاملة عبر جميع الفئات والعتبات مثل mAP. يمكن العثور على رؤى حول استخدام هذه المقاييس في دليل تقييم النموذج والضبط الدقيق.

الأدوات والمعايير

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 .

قراءة الكل