平均平均精度（mAP）

平均平均精度（mean Average Precision：mAP）は、特にコンピュータビジョンにおいて、物体検出モデルの精度を評価する際の重要な性能指標である。これは、異なる閾値にわたる精度と想起の両方を考慮することで、モデルが画像内の物体をどの程度検出し、位置を特定できるかを定量化するものである。

平均平均精度を理解する

mAP は、Ultralytics YOLO を使用するようなモデルの性能を評価するために、精度と想起を組み合わせます。精度は、実際の物体に対する予測された物体の精度を測定し、想起は、関連するすべての物体を識別するモデルの能力を評価する。

関連性と応用

物体検出の領域では、mAPは、物体を正しく識別し、ローカライズするモデルの能力を要約する単一のメトリックを提供します。自律走行車、ヘルスケア（病気検出）、セキュリティ監視など、正確な物体検出を必要とする分野では非常に重要です。物体検出メトリクスの概要については、Ultralytics YOLO パフォーマンス・メトリクス・ガイドをご覧ください。

mAPの仕組み

mAPスコアは、複数のIntersection over Union (IoU)しきい値にわたって、精度と再現性のトレードオフを集約する。IoUは物体検出におけるもう一つの重要な概念で、予測されたバウンディングボックスとグランドトゥルースとの重なりを定量化します。物体検出におけるIoUの詳細については、こちらをご覧ください。

mAPを類似指標と区別する

• 精度：精度は全予測値に対する正しい予測値の割合を測定するが、検出された物体の位置や大きさは考慮されない。
• F1スコア：mAPはIoUを考慮することで、より包括的な評価を提供する。

実際の応用例

自律走行車

自律走行では、歩行者、車両、障害物を正確かつ迅速に検出することが重要です。Ultralytics HUBが提供するような高いmAPスコアを持つ物体検出モデルは、効果的なリアルタイム検出と意思決定を確実にし、安全性とパフォーマンスを向上させます。自動運転におけるAIソリューションで詳細をご覧ください。

ヘルスケアイメージング

放射線医学における腫瘍検出のようなヘルスケアにおける物体検出は、高いmAPを持つツールに大きく依存している。Ultralytics YOLO のようなモデルは、診断精度を向上させ、医療専門家をサポートするために活用されている。ヘルスケアにおけるAIの役割について、さらなる洞察をご覧ください。

関連概念とテクニック

• ノンマキシマムサプレッション（NMS）:最も信頼性の高い予測値のみを保持することで、重複するバウンディングボックスを減らすために使用される手法。
• インスタンス分割:画像内のそれぞれのユニークなオブジェクトを検出し、画定することに関するもので、多くの場合、セグメンテーション・メトリクスと並んでmAPを用いて評価される。

物体検出と、モデルの最適化にmAPがどのように使われているかについての深い洞察は、物体検出とトラッキングについてのブログをご覧ください。

平均平均精度は、AIやMLアプリケーションにおけるモデル評価と改善の基本であり、パフォーマンスの包括的なベンチマークとして機能します。物体検出に関連する用語やテクニックの詳細については、Ultralytics 用語集をご覧ください。