متوسط الدقة المتوسطة (mAP)

فهم الأساسيات: الدقة والاسترجاع

لفهم mAP، من الضروري أولاً فهم الدقة والاسترجاع. في سياق اكتشاف الكائنات

• الدقة: يقيس عدد الكائنات التي تم تحديدها والتي كانت صحيحة بالفعل. الدقة العالية تعني أن النموذج يقوم بعدد قليل من التنبؤات الإيجابية الخاطئة.
• التذكر: يقيس عدد الكائنات الفعلية الموجودة التي تم تحديدها بشكل صحيح بواسطة النموذج. يعني الاسترجاع المرتفع أن النموذج يعثر على معظم الأجسام ذات الصلة (عدد قليل 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، مما يوفر رؤية أكثر توازناً للأداء. يمكنك معرفة المزيد عن أساسيات الدقة والتذكر على ويكيبيديا.

كيف يتم حساب mAP

تتضمن عملية حساب mAP عدة خطوات، مما يوفر تقييمًا قويًا لأداء النموذج عبر فئات الأجسام المختلفة وعتبات الكشف:

1. فرز الثقة: بالنسبة لكل فئة من فئات الكائنات، يتم فرز تنبؤات النموذج ( المربعات المحدودة المكتشفة) بناءً على درجات الثقة، من الأعلى إلى الأقل.
2. منحنى دقة الاستدعاء: يتم إنشاء منحنى دقة الاستدعاء لكل فئة. يرسم هذا المنحنى الدقة مقابل قيم الاستدعاء المحسوبة عند عتبات ثقة مختلفة. كلما انخفضت العتبة، يزداد الاستدعاء بشكل عام (يتم اكتشاف المزيد من الكائنات)، بينما قد تنخفض الدقة (قد يتم تضمين المزيد من النتائج الإيجابية الخاطئة).
3. متوسط الدقة (AP): يتم حساب متوسط الدقة (AP) لفئة واحدة على أنه المساحة تحت منحنى الدقة-الاستدعاء. يوفر هذا رقمًا واحدًا يلخص أداء النموذج لتلك الفئة المحددة عبر جميع مستويات الاستدعاء. توجد طرق مختلفة لتقريب هذه المساحة.
4. متوسط متوسط الدقة (mAP): أخيرًا، يتم حساب متوسط الدقة المتوسطة من خلال حساب متوسط قيم الدقة المتوسطة عبر جميع فئات الكائنات في مجموعة البيانات. وهذا يعطي درجة أداء إجمالية للنموذج على مجموعة البيانات بأكملها.

في كثير من الأحيان، يتم الإبلاغ عن mAP عند عتبات تقاطع محددة على الاتحاد (IoU). يقيس IoU التداخل بين المربع المحدود المتوقع والمربع المحدود الحقيقي (الفعلي). تتضمن متغيرات mAP الشائعة ما يلي:

• mAP@0.5 (أو mAP50): يتم حسابه باستخدام عتبة ثابتة لوحدة قياس IoU تبلغ 0.5. هذا مقياس قياسي يُستخدم في معايير مثل تحدي PASCAL VOC. لا يُعتبر الكشف صحيحًا إلا إذا كانت وحدة القياس الضوئي مع الحقيقة الأرضية 0.5 أو أكثر.
• mAP@.5:.95 (أو mAP[.5:.95]): يتم حسابه عن طريق حساب متوسط mAP عبر عتبات متعددة لوحدة القياس الدولية، عادةً من 0.5 إلى 0.95 مع خطوة 0.05. يوفر هذا المقياس، المستخدم بشكل شائع في تقييم مجموعة بيانات COCO، تقييمًا أكثر شمولاً من خلال النظر في الأداء في ظل متطلبات دقة توطين مختلفة.

لإلقاء نظرة تفصيلية على كيفية تطبيق هذه المقاييس على نماذج YOLO تحديدًا، راجع دليل مقاييس أداءYOLO من Ultralytics .

سبب أهمية mAP

يعد متوسط الدقة المتوسطة أمرًا حيويًا لأنه يقدم نظرة شاملة لأداء نموذج اكتشاف الكائنات. فهو يأخذ في الاعتبار في الوقت نفسه كلاً من دقة التصنيف (هل فئة الكائن صحيحة؟) ودقة التوطين (هل تم وضع المربع المحدد بشكل صحيح؟) عبر جميع الفئات المحددة في بيانات التدريب. وهذا يجعلها أكثر إفادة من النظر إلى الدقة أو الاستدعاء بمعزل عن الدقة أو الاستدعاء بمعزل عن غيرهما، خاصةً في مجموعات البيانات التي تحتوي على فئات كائنات متعددة أو توزيعات غير متوازنة للفئات. تشير درجة mAP الأعلى عمومًا إلى وجود نموذج أكثر قوة وموثوقية للكشف عن الكائنات. تقنيات مثل التكبير الدقيق للبيانات، وضبط المعلمة الفائقة، واختيار بنية نموذجية مناسبة (مثل YOLO11) هي إستراتيجيات شائعة لتحسين نموذج mAP.

التطبيقات الواقعية

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

• المركبات ذاتية القيادة: في حلول الذكاء الاصطناعي للقيادة الذاتية، يجب أن تكتشف نماذج الكشف عن الأجسام بدقة المشاة والمركبات وإشارات المرور والعوائق. يوفر نظام mAP طريقة قياسية لقياس ومقارنة أداء نماذج الكشف المختلفة (على سبيل المثال، مقارنة YOLOv8 مقابل YOLOv11)، مما يضمن موثوقية عالية للقرارات الحرجة المتعلقة بالسلامة.
• التصوير الطبي: بالنسبة للذكاء الاصطناعي في تطبيقات الرعاية الصحية، مثل الكشف عن الأورام في الفحوصات الطبية، يساعد mAP في تقييم مدى قدرة النماذج على تحديد وتحديد التشوهات. يضمن ارتفاع mAP حصول الأطباء السريريين على دعم دقيق من أدوات الذكاء الاصطناعي، مما يساعد في التشخيص وتخطيط العلاج. وغالباً ما يتضمن ذلك التدريب على مجموعات بيانات متخصصة مثل مجموعات بيانات الكشف عن أورام المخ.

تشمل التطبيقات الأخرى المراقبة الأمنية، والروبوتات(دمج الرؤية الحاسوبية في الروبوتات)، وتحليلات البيع بالتجزئة(الذكاء الاصطناعي لإدارة مخزون التجزئة بشكل أكثر ذكاءً)، والزراعة.

mAP مقابل المقاييس الأخرى

من المهم التمييز بين mAP ومقاييس التقييم ذات الصلة المستخدمة في التعلم الآلي (ML):

• الدقة: تُستخدم الدقة بشكل أساسي في مهام التصنيف، وتقيس الدقة النسبة الإجمالية للتنبؤات الصحيحة (كل من الإيجابيات الحقيقية والسلبيات الحقيقية) من بين إجمالي عدد الحالات. وهي لا تُقيّم جودة التوطين بشكل مباشر ويمكن أن تكون مضللة في اكتشاف الأجسام، خاصةً مع مجموعات البيانات غير المتوازنة حيث تهيمن فئة الخلفية.
• التقاطع على الاتحاد (IoU): يقيس التداخل المكاني بين المربع المحدد المتوقع والمربع المحدد للحقيقة الأرضية. بينما يقيّم IoU جودة التوطين للكشوفات الفردية، فإن mAP يدمج عتبات IoU (مثل 0.5 أو النطاق 0.5: 0.95) لتحديد ما إذا كان الكشف يعتبر إيجابيًا حقيقيًا، ثم يجمع الأداء عبر الفئات ومستويات الثقة. إن IoU نفسه هو أحد المكونات المستخدمة في حساب mAP، وليس بديلاً عنه.

يعد فهم هذه الاختلافات أمرًا بالغ الأهمية لاختيار المقياس المناسب بناءً على المهمة المحددة وأهداف التقييم. لمزيد من المعلومات، راجع دليل تقييم النموذج وصقله.

الأدوات والمعايير

تسمح أدوات مثل Ultralytics HUB للمستخدمين بتدريب النماذج وتتبعها وتقييمها، مع إبراز mAP كمؤشر أداء رئيسي أثناء عمليات تدريب النموذج والتحقق من صحته. أطر عمل التعلم الآلي مثل PyTorch و TensorFlow المكونات الأساسية لبناء نماذج اكتشاف الكائنات هذه وتدريبها. تستخدم مجموعات البيانات الموحدة مثل COCO و PASCAL VOC مقياس mAP كمقياس أساسي لمقارنة نماذج اكتشاف الأجسام في لوحات المتصدرين العامة والأوراق البحثية، مما يؤدي إلى دفع عجلة التقدم في هذا المجال. يمكنك استكشاف ومقارنة أداء النماذج المختلفة، والتي غالبًا ما يتم قياسها بواسطة mAP، على صفحات مقارنة نماذجUltralytics .