平均平均精度（mean Average Precision：mAP）は、物体検出の分野において重要な評価指標であり、モデルの精度を包括的に測定する。より単純な評価指標とは異なり、mAPは精度と想起のバランスを効果的にとり、モデルが画像や動画内の物体をどの程度識別し、位置を特定するかについてのニュアンスに富んだ理解を提供します。そのため、自律走行や医療用画像処理などのタスク用に設計されたAIシステムの性能を評価するのに不可欠なツールとなっている。
mAPを完全に理解するためには、精度と想起の基礎となる概念を理解することが重要です。精度は、モデルの肯定的な予測がどれだけ正確かを測定します。物体検出において、精度が高いということは、モデルが物体を見つけたと言ったとき、それが正しい可能性が非常に高いことを意味します。一方、リコールは、モデルが実際のすべての肯定的な事例をどれだけよく見つけたかを測定します。リコールが高いということは、モデルが画像に存在するオブジェクトのほとんどを見つけるのが得意で、どれかを見逃してしまう可能性を最小限に抑えることができることを意味します。これにより、特に信頼度の閾値が変化するシナリオにおいて、物体検出モデルのパフォーマンスをより総合的に見ることができます。Wikipediaのprecisionとrecallについてもっと知る。
mAPの計算にはいくつかのステップがある。まず、各オブジェクト・カテゴリーについて、モデルの予測を信頼度スコアに基づいてランク付けする。そして，さまざまな信頼度しきい値で精度と想起値が計算され，精度-想起曲線が作成される．そして、各クラスの平均精度（AP）が、この曲線の下の面積として計算される。最後に、mAPはすべてのオブジェクト・クラスにわたるAP値を平均することで得られる。この平均化プロセスにより、メトリックが、異なるオブジェクトタイプと信頼レベルにわたるモデルの全体的な検出パフォーマンスを反映することが保証されます。オブジェクト検出メトリクスの詳細については、Ultralytics ドキュメントのYOLO Performance Metrics ガイドを参照してください。
平均平均精度は、正確な物体検出が最も重要なアプリケーションで特に重要です。例えば自律走行車では，高い mAP スコアは，車両のビジョンシステムが歩行者，車両，および交通信号を確実に検出できることを保証します．同様に、医療画像解析では、腫瘍検出モデルのmAPが高ければ診断精度が大幅に向上し、医療従事者の早期かつ正確な疾患検出を支援することができる。これらのアプリケーションは、物体検出モデルの評価において、精度のような単純なメトリクスよりもmAPが好まれる理由を強調しています。
自動運転車は、安全にナビゲートするために物体検出に大きく依存している。高いmAPスコアを持つモデルは、リアルタイムで道路要素を正確に識別・分類するために不可欠です。Ultralytics YOLO 、その速度と精度で知られるモデルは、この領域でmAPを使用して頻繁に評価されています。自動運転ソリューションにおけるAIの詳細については、こちらをご覧ください。
ヘルスケアでは、物体検出モデルが医療画像を解析して異常を検出する。例えば、癌腫瘍を検出するには、偽陽性（高精度）と偽陰性（高リコール）の両方を最小化するために、高いmAPを持つモデルが必要である。 Ultralytics YOLOこのようなモデルの開発には、mAPを性能評価の重要な指標として使用することができます。ヘルスケアにおけるAIの役割については、こちらをご覧ください。
mAPは包括的な評価を提供しますが、精度やIntersection over Union（IoU）のようなメトリクスと区別することが重要です。精度は全体的な正しさのスコアを提供しますが、物体検出において重要な精度と想起のバランスを考慮しません。一方IoUは、個々のオブジェクトの予測バウンディングボックスとグランドトゥルースのバウンディングボックスの重なりを測定し、ローカライズの精度を評価しますが、クラス全体の検出性能は評価しません。
Ultralytics HUBと Ultralytics YOLO モデルは、主要な性能指標としてmAPを広範囲に利用している。Ultralytics YOLO最先端の物体検出フレームワークであるHUBは、モデルのトレーニング、検証、デプロイのためのツールを提供し、mAPを性能評価の中心的な指標としています。Ultralytics HUBは、モデルのトレーニングとデプロイのプロセスをさらに簡素化し、ユーザーがmAPやその他のメトリクスを簡単に監視してAIソリューションを最適化できるようにします。関連用語の定義については、Ultralytics 用語集をご覧ください。
