Precisione mediamAP)

La precisione media (mAP) è una metrica completa ampiamente utilizzata per valutare le prestazioni dei modelli di visione artificiale, in particolare in attività come il rilevamento di oggetti e la segmentazione di istanze. A differenza della semplice accuratezza, che si limita a verificare se un'immagine è classificata correttamente, mAP la capacità di un modello di individuare gli oggetti e la precisione con cui posiziona il riquadro di delimitazione attorno ad essi. Questo lo rende il benchmark principale per confrontare architetture all'avanguardia come YOLO26 con le generazioni precedenti. Riassumendo il compromesso tra precisione e richiamo in tutte le classi, mAP un punteggio unico che riflette la robustezza di un modello in scenari reali.

I componenti della mAP

Per calcolare mAP, è necessario comprendere innanzitutto tre concetti fondamentali che definiscono la qualità del rilevamento:

• Intersection over Union (IoU): misura la sovrapposizione spaziale tra il riquadro previsto e l' annotazione di riferimento. È un rapporto compreso tra 0 e 1. Una previsione è spesso considerata un "vero positivo" solo se IoU una soglia specifica, ad esempio 0,5 o 0,75.
• Precisione: questa metrica risponde alla domanda: "Di tutti gli oggetti che il modello ha dichiarato di detect, quale percentuale era effettivamente corretta?" Un'elevata precisione significa che il modello produce pochissimi falsi positivi.
• Ricordo: questa metrica chiede: "Di tutti gli oggetti che esistono effettivamente nell'immagine, quale frazione è stata trovata dal modello ?" Un richiamo elevato indica che il modello evita i falsi negativi e raramente perde un oggetto.

Metodologia di calcolo

Il calcolo inizia determinando la precisione media (AP) per ciascuna classe specifica (ad esempio, "persona", "auto", "cane"). Questo viene fatto trovando l'area sotto la curva di precisione-richiamo, che traccia la precisione rispetto al richiamo a varie soglie di confidenza. La "media" nella precisione media si riferisce semplicemente alla media AP questi AP in tutte le categorie nei dati di addestramento.

I benchmark di ricerca standard, come il COCO , riportano spesso due variazioni principali:

1. mAP: considera corretto un rilevamento se IoU almeno pari a 0,50. Si tratta di una metrica indulgente.
2. mAP: è la media di mAP con IoU comprese tra 0,50 e 0,95 con incrementi di 0,05. Questa metrica rigorosa premia i modelli che raggiungono un'elevata precisione di localizzazione.

mAP alle metriche correlate

È importante distinguere mAP Accuracy. L'accuratezza è adatta alla classificazione delle immagini in cui l'output è un' unica etichetta per l'intera immagine, ma non è efficace nel rilevamento degli oggetti perché non tiene conto della posizione spaziale dell'oggetto o della classe di sfondo. Allo stesso modo, mentre l' F1-Score fornisce una media armonica di precisione e richiamo a una singola soglia di confidenza, mAP le prestazioni a tutti i livelli di confidenza, offrendo una visione più olistica della stabilità del modello.

Applicazioni nel mondo reale

mAP elevati sono fondamentali in ambienti in cui la sicurezza e l'efficienza sono di primaria importanza.

• Veicoli autonomi: Nella tecnologia di guida autonoma, la sicurezza dipende dal rilevamento dei pedoni e dei segnali stradali con un alto richiamo (senza perdere nulla) e un'alta precisione (evitando frenate fantasma). mAP il sistema di percezione bilancia queste esigenze in modo efficace.
• Analisi delle immagini mediche: quando identificano tumori o fratture nelle radiografie, i radiologi si affidano all' intelligenza artificiale in ambito sanitario per segnalare potenziali problemi. mAP elevato indica che il modello evidenzia in modo affidabile le anomalie senza sommergere il medico di falsi allarmi, facilitando una diagnosi accurata.

Misurazione mAP Ultralytics

I framework moderni semplificano il calcolo di queste metriche durante il convalida fase. L'esempio seguente mostra come caricare un modello e calcolare mAP il ultralytics Pacchetto Python .

from ultralytics import YOLO

# Load the YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Validate the model on a dataset to compute mAP
# This runs inference and compares predictions to ground truth
metrics = model.val(data="coco8.yaml")

# Print mAP@50-95 (map) and mAP@50 (map50)
print(f"mAP@50-95: {metrics.box.map:.3f}")
print(f"mAP@50: {metrics.box.map50:.3f}")

Comprendere e ottimizzare mAP fondamentale prima dell' implementazione del modello. Per semplificare questo processo, Ultralytics offre il monitoraggio automatico mAP, delle curve di perdita e di altri KPI durante l'addestramento, consentendo agli sviluppatori di visualizzare i progressi e selezionare il miglior checkpoint del modello per la produzione.