Precisión media (mAP)

La Precisión Media Promedio (mAP) es una métrica de rendimiento clave para evaluar la precisión de los modelos de detección de objetos, sobre todo en visión por ordenador. Cuantifica lo bien que un modelo detecta y localiza objetos en imágenes considerando tanto la precisión como la recuperación a través de diferentes umbrales.

Comprender la precisión media

mAP combina la precisión y la recuperación para evaluar el rendimiento de modelos como los que utilizan Ultralytics YOLO , un marco líder de detección de objetos en tiempo real. La precisión mide la exactitud de los objetos predichos en relación con los objetos reales, mientras que la recuperación evalúa la capacidad del modelo para identificar todos los objetos relevantes.

Relevancia y aplicaciones

En el ámbito de la detección de objetos, el mAP proporciona una única métrica que resume la capacidad del modelo para identificar y localizar objetos correctamente. Es fundamental en campos que requieren una detección precisa de objetos, como los vehículos autónomos, la sanidad (detección de enfermedades) y la vigilancia de seguridad. Para una visión general de las métricas de detección de objetos, consulta la guía Ultralytics YOLO Métricas de rendimiento.

Cómo funciona el mAP

La puntuación mAP agrega las compensaciones precisión-recuerdo a través de múltiples umbrales de Intersección sobre Unión (IoU). IoU es otro concepto crítico en la detección de objetos, que cuantifica el solapamiento entre el cuadro delimitador predicho y la verdad sobre el terreno. Más información sobre IoU en la detección de objetos.

Distinguir el mAP de métricas similares

• Precisión: Aunque la precisión mide la proporción de predicciones correctas sobre el total de predicciones, no tiene en cuenta la posición y el tamaño de los objetos detectados.
• Puntuación F1: Combina precisión y recuerdo, pero no tiene en cuenta la precisión de localización. mAP proporciona una evaluación más completa al tener en cuenta el IoU.

Ejemplos prácticos en aplicaciones reales

Vehículos autónomos

En la conducción autónoma, detectar peatones, vehículos y obstáculos con precisión y rapidez es crucial. Los modelos de detección de objetos con altas puntuaciones mAP, como los que ofrece Ultralytics HUB, garantizan una detección y una toma de decisiones eficaces en tiempo real, mejorando la seguridad y el rendimiento. Descubre más en nuestra solución AI in Self-Driving.

Imagen sanitaria

La detección de objetos en la asistencia sanitaria, como la detección de tumores en radiología, depende en gran medida de herramientas con un alto mAP. Modelos como Ultralytics YOLO se aprovechan para mejorar la precisión del diagnóstico y ayudar a los profesionales médicos. Explora el papel de la IA en la asistencia sanitaria para obtener más información.

Conceptos y técnicas relacionados

• Supresión no máxima (NMS): Técnica utilizada para reducir los cuadros delimitadores superpuestos manteniendo sólo las predicciones más fiables.
• Segmentación de instancias: Se refiere a la detección y delineación de cada objeto único en una imagen, a menudo evaluada utilizando mAP junto con métricas de segmentación.

Para profundizar en la detección de objetos y en cómo se utiliza mAP para optimizar los modelos, puedes explorar nuestro blog sobre detección y seguimiento de objetos.

La Precisión Media Promedio sigue siendo fundamental para la evaluación y mejora de modelos en aplicaciones de IA y ML, actuando como un punto de referencia exhaustivo del rendimiento. Para profundizar en la terminología y las técnicas relacionadas con la detección de objetos, explora el GlosarioUltralytics .