Precisão média média (mAP)

A precisão média (mAP) é uma métrica de desempenho fundamental para avaliar a exatidão dos modelos de deteção de objectos, em particular na visão computacional. Quantifica a qualidade com que um modelo detecta e localiza objectos em imagens, considerando tanto a precisão como a recuperação em diferentes limiares.

Compreender a precisão média

O mAP combina precisão e recuperação para avaliar o desempenho de modelos como os que utilizam Ultralytics YOLO , uma estrutura líder de deteção de objectos em tempo real. A precisão mede a exatidão dos objectos previstos em relação aos objectos reais, enquanto a recuperação avalia a capacidade do modelo para identificar todos os objectos relevantes.

Relevância e aplicações

No domínio da deteção de objectos, o mAP fornece uma métrica única que resume a capacidade do modelo para identificar e localizar corretamente os objectos. É fundamental em campos que requerem uma deteção precisa de objectos, tais como veículos autónomos, cuidados de saúde (deteção de doenças) e vigilância de segurança. Para obter uma visão geral das métricas de deteção de objectos, consulta o guia Ultralytics YOLO Performance Metrics.

Como funciona a mAP

A pontuação mAP agrega as compensações de precisão-recuperação em vários limiares de Intersecção sobre União (IoU). A IoU é outro conceito crítico na deteção de objectos, quantificando a sobreposição entre a caixa delimitadora prevista e a verdade terrestre. Sabe mais sobre IoU na deteção de objectos.

Distinguir o mAP de métricas semelhantes

• Precisão: Embora a precisão meça a proporção de previsões corretas em relação ao total de previsões, não tem em conta a posição e o tamanho dos objectos detectados.
• F1-Score: Combina a precisão e a recuperação, mas não considera a exatidão da localização. O mAP fornece uma avaliação mais abrangente ao ter em conta a IoU.

Exemplos práticos de aplicações no mundo real

Veículos autónomos

Na condução autónoma, a deteção de peões, veículos e obstáculos com precisão e rapidez é crucial. Os modelos de deteção de objectos com pontuações mAP elevadas, como os oferecidos pelo Ultralytics HUB, garantem uma deteção e tomada de decisões eficazes em tempo real, melhorando a segurança e o desempenho. Descobre mais na nossa solução AI in Self-Driving.

Imagiologia para cuidados de saúde

A deteção de objectos nos cuidados de saúde, como a deteção de tumores em radiologia, depende fortemente de ferramentas com elevado mAP. Modelos como Ultralytics YOLO são utilizados para melhorar a precisão do diagnóstico e apoiar os profissionais médicos. Explora o papel da IA nos cuidados de saúde para obteres mais informações.

Conceitos e técnicas relacionados

• Supressão não máxima (NMS): Uma técnica utilizada para reduzir a sobreposição de caixas delimitadoras, mantendo apenas as previsões mais confiáveis.
• Segmentação de Instância: Diz respeito à deteção e delineação de cada objeto único numa imagem, frequentemente avaliada utilizando o mAP juntamente com métricas de segmentação.

Para obter informações mais aprofundadas sobre a deteção de objectos e a forma como o mAP é utilizado para otimizar modelos, pode explorar o nosso blogue sobre deteção e seguimento de objectos.

A precisão média continua a ser fundamental para a avaliação e melhoria de modelos em aplicações de IA e ML, actuando como uma referência abrangente para o desempenho. Para uma análise mais detalhada da terminologia e das técnicas relacionadas com a deteção de objectos, explora o GlossárioUltralytics .