Kendi kendine sürüş ve sağlık hizmetleri gibi yapay zeka uygulamaları için nesne algılama modellerinin değerlendirilmesinde Ortalama Ortalama Hassasiyetin (mAP) önemini keşfedin.
Ortalama Ortalama Kesinlik (mAP), bilgisayarla görmede, özellikle nesne algılama görevlerinde yaygın olarak kullanılan kritik bir değerlendirme ölçütüdür. Tüm nesne kategorilerindeki tahminlerinin doğruluğunu ölçerek bir modelin performansını özetleyen tek ve kapsamlı bir puan sağlar. mAP puanı hem sınıflandırmanın doğruluğunu (nesne modelin söylediği şey mi?) hem de lokalizasyonun kalitesini (tahmin edilen sınırlayıcı kutu gerçek nesnenin konumuyla ne kadar iyi eşleşiyor?) hesaba katar. Dengeli bir değerlendirme sunduğu için mAP, Ultralytics YOLO gibi farklı nesne algılama modellerinin performansını karşılaştırmak için standart metrik haline gelmiştir.
mAP'yi anlamak için öncelikle temel bileşenlerini kavramak faydalı olacaktır: Kesinlik, Geri Çağırma ve Birlik Üzerinden Kesişim (IoU).
mAP hesaplaması bu kavramları sentezler. Her nesne sınıfı için, çeşitli güven puanı eşiklerinde kesinliğe karşı geri çağırma grafiği çizilerek bir Kesinlik-Geri Çağırma eğrisi oluşturulur. Söz konusu sınıf için Ortalama Hassasiyet (AP) bu eğrinin altındaki alandır ve modelin söz konusu sınıftaki performansını temsil eden tek bir sayı sağlar. Son olarak, mAP tüm nesne sınıflarındaki AP puanlarının ortalaması alınarak hesaplanır. Popüler COCO veri setinde olduğu gibi bazı değerlendirme şemaları, daha da sağlam bir değerlendirme sağlamak için birden fazla IoU eşiğinde mAP'nin ortalamasını alarak bunu bir adım öteye taşır.
Diğer değerlendirme ölçütleriyle ilişkili olsa da mAP'nin farklı bir amacı vardır.
Standartlaştırılmış kıyaslama veri kümeleri, nesne algılama alanını ilerletmek için çok önemlidir. PASCAL VOC ve COCO gibi veri kümeleri, genel liderlik tablolarındaki başvuruları sıralamak için birincil metrik olarak mAP'yi kullanır. Bu sayede araştırmacılar ve uygulayıcılar YOLOv8 ve YOLO11 gibi farklı modelleri objektif bir şekilde karşılaştırabilmektedir.
Ultralytics HUB gibi platformlar, kullanıcıların model eğitimi ve doğrulama sırasında performansı izlemelerine yardımcı olmak için mAP'yi öne çıkarmaktadır. PyTorch ve TensorFlow gibi bu modellere güç veren temel derin öğrenme çerçeveleri, sonuçta mAP kullanılarak değerlendirilen modelleri oluşturmak ve eğitmek için gerekli araçları sağlar.
mAP metriği, güvenilir yapay zeka sistemlerinin geliştirilmesinde temel öneme sahiptir.