자율 주행 및 헬스케어와 같은 AI 애플리케이션의 객체 감지 모델을 평가할 때 평균 정밀도(mAP)의 중요성에 대해 알아보세요.
평균 평균 정밀도(mAP)는 널리 사용되는 객체 감지 모델의 성능을 평가하는 데 널리 사용되는 지표입니다. Ultralytics YOLO 제품군에서 사용되는 지표입니다. 이 지표는 다양한 클래스와 신뢰도 수준에서 객체를 정확하게 식별하고 위치를 파악하는 모델의 능력을 요약한 단일의 종합적인 점수를 제공합니다. 단순한 메트릭과 달리, mAP는 모든 관련 객체를 찾는 것(리콜)과 찾은 객체가 실제로 정확한지 확인하는 것(정확도) 사이의 균형을 효과적으로 맞추기 때문에 자율 시스템이나 의료 진단과 같은 복잡한 애플리케이션에서 사용되는 모델을 평가하는 데 매우 중요합니다. 컴퓨터 비전(CV) 모델을 개발하거나 배포하는 모든 사람에게 mAP에 대한 이해는 필수적입니다.
mAP를 이해하려면 먼저 정밀도와 리콜을 파악하는 것이 중요합니다. 객체 감지의 맥락에서:
이 두 지표는 종종 반비례 관계를 가지며, 한 지표를 개선하면 다른 지표가 저하될 수 있습니다. mAP는 이러한 상충 관계의 여러 지점에서 모델을 평가하는 방법을 제공하여 성능에 대한 보다 균형 잡힌 시각을 제공합니다. 정확도 및 회상률의 기본 사항에 대한 자세한 내용은 Wikipedia에서 확인할 수 있습니다.
mAP 계산에는 여러 단계가 포함되며, 다양한 객체 클래스와 탐지 임계값에 대한 모델의 성능을 강력하게 평가합니다:
종종 mAP는 특정 IoU(Intersection over Union) 임계값에서 보고됩니다. IoU는 예측된 바운딩 박스와 실측(실제) 바운딩 박스 사이의 중첩을 측정합니다. 일반적인 mAP 변형은 다음과 같습니다:
이러한 메트릭이 YOLO 모델에 구체적으로 어떻게 적용되는지 자세히 알아보려면 Ultralytics YOLO 성능 메트릭 가이드를 참조하세요.
평균 평균 정밀도는 객체 감지 모델의 성능을 전체적으로 파악할 수 있기 때문에 매우 중요합니다. 이는 학습 데이터에 정의된 모든 클래스에 걸쳐 분류 정확도(객체 클래스가 올바른가?)와 위치 정확도(경계 상자가 올바르게 배치되었는가?)를 동시에 설명합니다. 따라서 특히 객체 카테고리가 여러 개이거나 클래스 분포가 불균형한 데이터 세트에서 정확도나 리콜을 따로따로 보는 것보다 더 많은 정보를 얻을 수 있습니다. 일반적으로 mAP 점수가 높을수록 더 강력하고 신뢰할 수 있는 객체 감지 모델임을 나타냅니다. 신중한 데이터 증강, 하이퍼파라미터 튜닝, 적절한 모델 아키텍처 선택(예 YOLO11)와 같은 기술은 mAP를 개선하기 위한 일반적인 전략입니다.
mAP는 정확성과 신뢰성이 가장 중요한 실제 작업의 모델을 평가하는 데 매우 중요합니다:
다른 애플리케이션으로는 보안 감시, 로봇 공학(로봇 공학에 컴퓨터 비전 통합), 소매 분석(더 스마트한 소매점 재고 관리를 위한 AI), 농업 등이 있습니다.
머신러닝(ML)에서 사용되는 관련 평가 지표와 mAP를 구별하는 것이 중요합니다:
이러한 차이점을 이해하는 것은 특정 작업 및 평가 목표에 따라 적절한 지표를 선택하는 데 매우 중요합니다. 자세한 내용은 모델 평가 및 미세 조정 가이드를 참조하세요.
사용자는 모델 훈련, 추적 및 평가를 위해 Ultralytics HUB와 같은 도구를 사용할 수 있으며, 모델 훈련 및 검증 프로세스 중 핵심 성과 지표로 mAP가 두드러지게 사용됩니다. 다음과 같은 ML 프레임워크 PyTorch 및 TensorFlow 와 같은 ML 프레임워크는 이러한 객체 감지 모델을 구축하고 훈련하기 위한 기본 구성 요소를 제공합니다. COCO 및 PASCAL VOC와 같은 표준화된 데이터 세트는 공개 리더보드와 연구 논문에서 객체 감지 모델을 비교하기 위한 주요 지표로 mAP를 사용하여 해당 분야의 발전을 주도하고 있습니다. Ultralytics 모델 비교 페이지에서 mAP로 측정되는 다양한 모델 성능을 탐색하고 비교할 수 있습니다.
KO
EN
ZH
JA
RU
DE
FR
ES
PT
IT
AR
TR
VI
