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 제품군과 같은 객체 탐지 모델의 성능을 평가하는 데 사용되는 지표입니다. 이 지표는 다양한 클래스 및 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 유지하므로 자율 시스템 및 의료 진단과 같은 복잡한 애플리케이션에서 사용되는 모델을 평가하는 데 매우 중요합니다.
mAP를 이해하려면 먼저 정밀도와 리콜을 파악하는 것이 중요합니다. 객체 감지에서:
이 두 지표는 종종 반비례 관계를 가지며, 한 지표를 개선하면 다른 지표를 낮출 수 있습니다. mAP는 이러한 상충 관계의 여러 지점에서 모델을 평가할 수 있는 방법을 제공합니다. 정확도 및 회수율의 기본 사항에 대한 자세한 내용은 위키백과에서 확인할 수 있습니다.
mAP 계산에는 여러 단계가 포함됩니다. 먼저 각 객체 클래스에 대해 모델의 예측이 신뢰도 점수에 따라 정렬됩니다. 그런 다음 다양한 신뢰 임계값에서 정확도 및 재인용 값을 계산하여 정확도-재인용 곡선을 생성합니다. 이 곡선 아래 면적(AUC)은 해당 특정 클래스의 평균 정밀도(AP)를 제공합니다. 마지막으로, 데이터 세트의 모든 개체 클래스에서 AP 값의 평균을 계산하여 mAP를 계산합니다.
종종 mAP는 예측된 경계 상자가 기준점 상자와 얼마나 잘 겹치는지를 측정하는 특정 IoU(Intersection over Union) 임계값으로 보고됩니다. 일반적인 변형은 다음과 같습니다:
이러한 지표가 YOLO 모델에 어떻게 적용되는지 자세히 알아보려면 YOLO 성과 지표 가이드를 참조하세요.
평균 평균 정밀도는 객체 감지 모델의 성능을 전체적으로 파악할 수 있기 때문에 매우 중요합니다. 이는 모든 클래스에 걸쳐 분류 정확도(객체 클래스가 올바른가?)와 위치 정확도(경계 상자가 올바르게 배치되었는가?)를 모두 설명합니다. 따라서 특히 객체 카테고리가 여러 개이거나 클래스 분포가 불균형한 데이터 세트에서 정확도나 리콜만 보는 것보다 더 많은 정보를 얻을 수 있습니다. 일반적으로 mAP 점수가 높을수록 더 강력하고 신뢰할 수 있는 객체 감지 모델임을 나타냅니다. mAP를 개선하려면 하이퍼파라미터 튜닝과 더 나은 학습 데이터 사용과 같은 기술을 사용하는 경우가 많습니다.
mAP는 정확성이 가장 중요한 실제 작업의 모델을 평가하는 데 매우 중요합니다:
mAP를 관련 평가 지표와 구별하는 것이 중요합니다:
사용자는 Ultralytics HUB와 같은 도구를 사용하여 모델을 훈련, 추적 및 평가할 수 있으며, 주요 성과 지표로 mAP가 두드러지게 사용됩니다. 다음과 같은 프레임워크 PyTorch 및 TensorFlow 와 같은 프레임워크는 이러한 모델을 위한 빌딩 블록을 제공합니다. COCO 및 PASCAL VOC와 같은 표준 데이터 세트는 객체 감지 모델을 비교하기 위한 기본 메트릭으로 mAP를 사용하여 해당 분야의 발전을 주도합니다. Ultralytics 모델 비교 페이지에서 mAP로 측정되는 다양한 모델 성능을 탐색하고 비교할 수 있습니다.