Ortalama Ortalama Hassasiyet (mAP)

Temel Bilgileri Anlamak: Kesinlik ve Geri Çağırma

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

• Hassasiyet: Tespit edilen nesnelerin kaç tanesinin gerçekten doğru olduğunu ölçer. Yüksek hassasiyet, modelin az sayıda yanlış pozitif tespit yaptığı anlamına gelir.
• Hatırlama: Mevcut gerçek nesnelerin kaç tanesinin model tarafından doğru tespit edildiğini ölçer. Yüksek geri çağırma, modelin ilgili nesnelerin çoğunu bulduğu ve yanlış negatifleri en aza indirdiği anlamına gelir.

Bu iki metrik genellikle ters bir ilişkiye sahiptir; birini iyileştirmek bazen diğerini azaltabilir. mAP, modeli bu değiş tokuşun farklı noktalarında değerlendirmek için bir yol sağlar. Hassasiyet ve Geri Çağırma'nın temelleri hakkında daha fazla bilgiyi Wikipedia'da bulabilirsiniz.

mAP Nasıl Hesaplanır?

mAP'nin hesaplanması birkaç adım içerir. İlk olarak, her nesne sınıfı için modelin tahminleri güven puanlarına göre sıralanır. Ardından, çeşitli güven eşiklerinde hassasiyet ve geri çağırma değerleri hesaplanarak bir Hassasiyet-Geri Çağırma eğrisi oluşturulur. Bu Eğrinin Altındaki Alan (AUC), söz konusu sınıf için Ortalama Hassasiyeti (AP) verir. Son olarak, veri kümesindeki tüm nesne sınıfları için AP değerlerinin ortalaması alınarak mAP hesaplanır.

Genellikle mAP, tahmin edilen sınırlayıcı kutunun zemin gerçeği kutusuyla ne kadar iyi örtüştüğünü ölçen belirli Birlik Üzerinde Kesişme (IoU) eşiklerinde raporlanır. Yaygın varyantlar şunları içerir:

• mAP@0.5: 0,5 IoU eşiği kullanılarak hesaplanmıştır. Bu, PASCAL VOC gibi kıyaslamalarda sıklıkla kullanılan standart bir metriktir.
• mAP@0.5:0.95: Birden fazla IoU eşiği üzerinden hesaplanan ortalama mAP (0,5 ila 0,95 arasında, tipik olarak 0,05'lik adımlarla). Bu, COCO veri seti tarafından kullanılan birincil metriktir ve yerelleştirme doğruluğunun daha katı bir değerlendirmesini sağlar.

Bu metriklerin YOLO modellerine nasıl uygulandığına dair ayrıntılı bilgi için YOLO Performans Metrikleri kılavuzuna bakın.

mAP Neden Önemlidir?

Ortalama Ortalama Hassasiyet çok önemlidir çünkü bir nesne algılama modelinin performansının bütünsel bir görünümünü sunar. Tüm sınıflar genelinde hem sınıflandırma doğruluğunu (nesne sınıfı doğru mu?) hem de yerelleştirme doğruluğunu (sınırlayıcı kutu doğru yerleştirilmiş mi?) hesaba katar. Bu, özellikle birden fazla nesne kategorisine veya dengesiz sınıf dağılımlarına sahip veri kümelerinde, tek başına hassasiyet veya geri çağırmaya bakmaktan daha bilgilendirici olmasını sağlar. Daha yüksek bir mAP puanı genellikle daha sağlam ve güvenilir bir nesne algılama modeline işaret eder. mAP'nin iyileştirilmesi genellikle hiperparametre ayarlama ve daha iyi eğitim verileri kullanma gibi teknikleri içerir.

Gerçek Dünya Uygulamaları

mAP, doğruluğun çok önemli olduğu gerçek dünya görevleri için modellerin değerlendirilmesinde kritik öneme sahiptir:

• Otonom Araçlar: Sürücüsüz araçların yayaları, diğer araçları, trafik ışıklarını ve engelleri güvenilir bir şekilde algılaması gerekir. Yüksek bir mAP puanı, algılama sisteminin güvenli navigasyon için yeterince doğru olmasını sağlar. Algılama modellerinin nasıl uygulandığını görmek için Kendi Kend ine Sürüş çözümlerinde Yapay Zekayı keşfedin.
• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, taramalarda (X-ışınları veya MRI'lar gibi) tümörleri, lezyonları veya diğer anomalileri tespit eden modeller yüksek mAP gerektirir. Bu, hem gözden kaçan tespitleri (yüksek geri çağırma gerekir) hem de yanlış alarmları (yüksek hassasiyet gerekir) en aza indirerek teşhislerin doğru olmasını sağlar. Sağlık Hizmetleri uygulamalarında yapay zeka hakkında daha fazla bilgi edinin.

mAP ve Diğer Metrikler

mAP'yi ilgili değerlendirme ölçütlerinden ayırmak önemlidir:

• Doğruluk: Sınıflandırma görevleri için yararlı olsa da, doğruluk genellikle nesne algılama için uygun değildir. Yerelleştirme kalitesini hesaba katmaz ve arka plan baskınlığı veya sınıf dengesizliği olan veri kümelerinde yanıltıcı olabilir.
• Birlik üzerinden kesişim (IoU): IoU, tahmin edilen tek bir sınırlayıcı kutu ile buna karşılık gelen temel gerçek kutusu arasındaki örtüşmeyi ölçer. IoU eşikleri bir tespitin doğru olup olmadığını belirlemek için mAP hesaplamasında kullanılsa da IoU'nun kendisi mAP gibi tüm sınıflar ve eşikler arasında genel bir performans puanı sağlamaz. Bu metriklerin kullanımına ilişkin bilgiler Model Değerlendirme ve İnce Ayar kılavuzunda bulunabilir.

Araçlar ve Ölçütler

Ultralytics HUB gibi araçlar, kullanıcıların modelleri eğitmesine, izlemesine ve değerlendirmesine olanak tanır ve mAP'yi önemli bir performans göstergesi olarak öne çıkarır. Gibi çerçeveler PyTorch ve TensorFlow bu modeller için yapı taşları sağlar. COCO ve PASCAL VOC gibi standart veri kümeleri, nesne algılama modellerini karşılaştırmak için birincil metrik olarak mAP kullanır ve bu alandaki ilerlemeyi yönlendirir. Ultralytics Model Karşılaştırma sayfalarında, genellikle mAP ile ölçülen çeşitli model performanslarını keşfedebilir ve karşılaştırabilirsiniz.