Ortalama Ortalama Hassasiyet (mAP)

Temel Bilgileri Anlamak: Kesinlik ve Geri Çağırma

mAP'yi anlamak için öncelikle Hassasiyet ve Geri Çağırma değerlerini kavramak gerekir. Nesne algılama bağlamında:

• Kesinlik: Tanımlanan nesnelerin kaç tanesinin gerçekten doğru olduğunu ölçer. Yüksek hassasiyet, modelin az sayıda yanlış pozitif tahmin yaptığı anlamına gelir.
• Hatırlama: Mevcut gerçek nesnelerin kaç tanesinin model tarafından doğru şekilde tanımlandığını ölçer. Yüksek geri çağırma, modelin ilgili nesnelerin çoğunu bulduğu anlamına gelir (az sayıda yanlış negatif).

Bu iki metrik genellikle ters bir ilişkiye sahiptir; birini iyileştirmek bazen diğerini azaltabilir. mAP, modeli bu değiş tokuşun farklı noktalarında değerlendirmenin bir yolunu sunarak performansın daha dengeli bir görünümünü sunar. Hassasiyet ve Geri Çağırma'nın temelleri hakkında daha fazla bilgiyi Wikipedia'da bulabilirsiniz.

mAP Nasıl Hesaplanır?

mAP'nin hesaplanması birkaç adım içerir ve bir modelin farklı nesne sınıfları ve algılama eşikleri arasındaki performansının sağlam bir değerlendirmesini sağlar:

1. Güven Sıralaması: Her nesne sınıfı için modelin tahminleri (tespit edilen sınırlayıcı kutular) güven puanlarına göre en yüksekten en düşüğe doğru sıralanır.
2. Hassasiyet-Tekrar Çağırma Eğrisi: Her sınıf için bir Hassasiyet-Geri Çağırma eğrisi oluşturulur. Bu eğri, çeşitli güven eşiklerinde hesaplanan geri çağırma değerlerine karşı hassasiyeti çizer. Eşik azaldıkça, geri çağırma genellikle artarken (daha fazla nesne tespit edilir), hassasiyet azalabilir (daha fazla yanlış pozitif dahil edilebilir).
3. Ortalama Hassasiyet (AP): Tek bir sınıf için Ortalama Hassasiyet (AP), Hassasiyet-Geri Çağırma eğrisinin altındaki alan olarak hesaplanır. Bu, modelin söz konusu sınıf için tüm geri çağırma seviyelerindeki performansını özetleyen tek bir sayı sağlar. Bu alana yaklaşmak için farklı yöntemler mevcuttur.
4. Ortalama Ortalama Hassasiyet (mAP): Son olarak, mAP, veri kümesindeki tüm nesne sınıflarındaki AP değerlerinin ortalaması alınarak hesaplanır. Bu, tüm veri kümesi üzerinde model için genel bir performans puanı verir.

Genellikle, mAP belirli Birleşme Üzerindeki Kesişim (IoU) eşik değerlerinde raporlanır. IoU, tahmin edilen sınırlayıcı kutu ile zemin gerçeği (gerçek) sınırlayıcı kutu arasındaki örtüşmeyi ölçer. Yaygın mAP varyantları şunları içerir:

• mAP@0.5 (veya mAP50): Sabit bir IoU eşiği olan 0,5 kullanılarak hesaplanmıştır. Bu, PASCAL VOC yarışması gibi kıyaslamalarda kullanılan standart bir metriktir. Bir tespitin doğru kabul edilebilmesi için IoU değerinin 0,5 veya daha yüksek olması gerekir.
• mAP@.5:.95 (veya mAP[.5:.95]): Tipik olarak 0,05'lik bir adımla 0,5 ila 0,95 arasında değişen çoklu IoU eşiklerinde mAP'nin ortalaması alınarak hesaplanır. COCO veri seti değerlendirmesinde yaygın olarak kullanılan bu metrik, farklı yerelleştirme doğruluğu gereksinimleri altındaki performansı dikkate alarak daha kapsamlı bir değerlendirme sağlar.

Bu metriklerin özellikle YOLO modellerine nasıl uygulandığına ayrıntılı bir bakış için Ultralytics YOLO Performans Metrikleri kılavuzuna bakın.

mAP Neden Önemlidir?

Ortalama Ortalama Hassasiyet, bir nesne algılama modelinin performansının bütünsel bir görünümünü sunduğu için çok önemlidir. Eğitim verilerinde tanımlanan tüm sınıflarda hem sınıflandırma doğruluğunu (nesne sınıfı doğru mu?) hem de yerelleştirme doğruluğunu (sınırlayıcı kutu doğru yerleştirilmiş mi?) aynı anda hesaba katar. Bu, özellikle birden fazla nesne kategorisine veya dengesiz sınıf dağılımlarına sahip veri kümelerinde hassasiyet veya geri çağırmaya tek başına bakmaktan daha bilgilendirici olmasını sağlar. Daha yüksek bir mAP puanı genellikle daha sağlam ve güvenilir bir nesne algılama modeline işaret eder. Dikkatli veri artırımı, hiperparametre ayarlama ve uygun bir model mimarisi seçme gibi teknikler (örneğin YOLO11) mAP'yi iyileştirmek için yaygın stratejilerdir.

Gerçek Dünya Uygulamaları

mAP, doğruluk ve güvenilirliğin çok önemli olduğu gerçek dünya görevleri için modellerin değerlendirilmesinde kritik öneme sahiptir:

• Otonom Araçlar: Kendi kendine sürüş çözümleri için yapay zekada, nesne algılama modelleri yayaları, araçları, trafik ışıklarını ve engelleri doğru bir şekilde algılamalıdır. mAP, farklı algılama modellerinin performansını ölçmek ve karşılaştırmak için standart bir yol sağlayarak (örneğin, YOLOv8 ile YOLOv11'i karşılaştırmak) güvenlik açısından kritik kararlar için yüksek güvenilirlik sağlar.
• Tıbbi Görüntüleme: Tıbbi taramalarda tümör tespiti gibi Sağlık Hizmetlerinde Yapay Zeka uygulamaları için mAP, modellerin anormallikleri ne kadar iyi tanımlayabildiğini ve tasvir edebildiğini değerlendirmeye yardımcı olur. Yüksek mAP, klinisyenlerin YZ araçlarından doğru destek almasını sağlayarak tanı ve tedavi planlamasına yardımcı olur. Bu genellikle Beyin Tümörü tespit veri kümeleri gibi özel veri kümeleri üzerinde eğitimi içerir.

Diğer uygulamalar arasında güvenlik gözetimi, robotik (robotiktebilgisayarla görmenin entegre edilmesi), perakende analitiği(daha akıllı perakende envanter yönetimi için yapay zeka) ve tarım yer almaktadır.

mAP ve Diğer Metrikler

mAP'yi makine öğreniminde (ML) kullanılan ilgili değerlendirme metriklerinden ayırmak önemlidir:

• Doğruluk: Öncelikle sınıflandırma görevlerinde kullanılan doğruluk, toplam örnek sayısı içinde doğru tahminlerin (hem gerçek pozitifler hem de gerçek negatifler) genel oranını ölçer. Yerelleştirme kalitesini doğrudan değerlendirmez ve özellikle arka plan sınıfının baskın olduğu dengesiz veri kümelerinde nesne algılamada yanıltıcı olabilir.
• Birlik Üzerinde Kavşak (IoU): Tahmin edilen bir sınırlayıcı kutu ile bir zemin gerçeği sınırlayıcı kutusu arasındaki uzamsal örtüşmeyi ölçer. IoU tek tek tespitler için lokalizasyon kalitesini değerlendirirken, mAP bir tespitin gerçek pozitif olarak kabul edilip edilmeyeceğini belirlemek için IoU eşiklerini (0,5 veya 0,5:0,95 aralığı gibi) kullanır ve ardından performansı sınıflar ve güven düzeyleri arasında toplar. IoU'nun kendisi mAP hesaplamasında kullanılan bir bileşendir, onun yerine geçmez.

Bu farklılıkları anlamak, belirli görev ve değerlendirme hedeflerine göre uygun metriği seçmek için çok önemlidir. Daha fazla bilgi için Model Değerlendirme ve İnce Ayar kılavuzuna bakın.

Araçlar ve Ölçütler

Ultralytics HUB gibi araçlar, kullanıcıların modelleri eğitmesine, izlemesine ve değerlendirmesine olanak tanır ve model eğitimi ve doğrulama süreçleri sırasında mAP'yi önemli bir performans göstergesi olarak öne çıkarır. ML çerçeveleri, örneğin PyTorch ve TensorFlow bu nesne algılama modellerini oluşturmak ve eğitmek için temel bileşenleri sağlar. COCO ve PASCAL VOC gibi standartlaştırılmış veri kümeleri, genel liderlik tablolarında ve araştırma makalelerinde nesne algılama modellerini karşılaştırmak için birincil metrik olarak mAP'yi kullanır ve bu alandaki ilerlemeyi teşvik eder. Ultralytics Model Karşılaştırma sayfalarında, genellikle mAP ile ölçülen çeşitli model performanslarını keşfedebilir ve karşılaştırabilirsiniz.