Kendi kendine sürüş ve sağlık hizmetleri gibi yapay zeka uygulamaları için nesne algılama modellerinin değerlendirilmesinde Ortalama Ortalama Hassasiyetin (mAP) önemini keşfedin.
Ortalama Hassasiyet (mAP), popüler nesne algılama modelleri gibi nesne algılama modellerinin performansını değerlendirmek için yaygın olarak kullanılan bir metriktir. Ultralytics YOLO aile. Bir modelin çeşitli sınıflar ve güven düzeyleri arasında nesneleri doğru bir şekilde tanımlama ve bulma becerisini özetleyen tek ve kapsamlı bir puan sağlar. Daha basit metriklerin aksine mAP, ilgili tüm nesneleri bulma (geri çağırma) ve bulunan nesnelerin gerçekten doğru olmasını sağlama (hassasiyet) arasındaki dengeyi etkili bir şekilde kurarak otonom sistemler ve tıbbi teşhis gibi karmaşık uygulamalarda kullanılan modelleri değerlendirmek için çok önemlidir.
mAP'yi anlamak için öncelikle Hassasiyet ve Geri Çağırma değerlerini kavramak gerekir. Nesne tespitinde:
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'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:
Bu metriklerin YOLO modellerine nasıl uygulandığına dair ayrıntılı bilgi için YOLO Performans Metrikleri kılavuzuna bakın.
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.
mAP, doğruluğun çok önemli olduğu gerçek dünya görevleri için modellerin değerlendirilmesinde kritik öneme sahiptir:
mAP'yi ilgili değerlendirme ölçütlerinden ayırmak önemlidir:
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.