Khám phá cách Độ chính xác trung bình (mAP) đánh giá các mô hình phát hiện đối tượng, cân bằng độ chính xác và khả năng thu hồi để có các giải pháp AI chính xác.
Độ chính xác trung bình trung bình (mAP) là một số liệu được sử dụng rộng rãi để đánh giá hiệu suất của các mô hình phát hiện đối tượng trong thị giác máy tính. Nó cung cấp một giá trị duy nhất biểu thị độ chính xác của một mô hình trên tất cả các lớp và ngưỡng, khiến nó trở thành thước đo toàn diện về khả năng của mô hình trong việc xác định và định vị chính xác các đối tượng trong hình ảnh hoặc video. Không giống như các số liệu đơn giản hơn như độ chính xác, mAP xem xét cả độ chính xác và độ thu hồi của mô hình, cung cấp sự hiểu biết sắc thái hơn về hiệu quả của nó.
Để hiểu mAP, trước tiên cần nắm được các khái niệm về độ chính xác và độ thu hồi. Độ chính xác đo lường tỷ lệ các đối tượng được xác định chính xác trong số tất cả các đối tượng mà mô hình dự đoán là dương. Mặt khác, độ thu hồi đo lường tỷ lệ các đối tượng được xác định chính xác trong số tất cả các đối tượng dương thực tế trong dữ liệu thực tế. Chỉ số mAP kết hợp cả hai bằng cách tính độ chính xác trung bình ở nhiều mức độ thu hồi khác nhau và sau đó tính trung bình các giá trị này trên tất cả các lớp.
Việc tính toán mAP bao gồm một số bước. Đầu tiên, đối với mỗi lớp, các dự đoán của mô hình được xếp hạng theo điểm tin cậy của chúng. Sau đó, độ chính xác và độ thu hồi được tính toán tại mỗi ngưỡng tin cậy. Đường cong độ chính xác-độ thu hồi được vẽ và diện tích bên dưới đường cong này, được gọi là Độ chính xác trung bình (AP), được tính toán cho mỗi lớp. Cuối cùng, mAP được tính toán bằng cách lấy giá trị trung bình của các giá trị AP trên tất cả các lớp. Quá trình này đảm bảo rằng số liệu phản ánh hiệu suất của mô hình trên các mức độ tin cậy khác nhau và tính đến sự đánh đổi giữa độ chính xác và độ thu hồi.
Độ chính xác trung bình trung bình đặc biệt có liên quan trong các lĩnh vực mà việc phát hiện vật thể chính xác là rất quan trọng. Ví dụ, trong lái xe tự động , điểm mAP cao cho biết hệ thống thị giác của xe có thể phát hiện và phân loại đáng tin cậy các vật thể như người đi bộ, các phương tiện khác và biển báo giao thông, điều này rất quan trọng đối với việc điều hướng an toàn. Tương tự như vậy, trong hình ảnh y tế , điểm mAP cao đối với một mô hình được đào tạo để phát hiện khối u hoặc các bất thường khác có thể hỗ trợ các chuyên gia chăm sóc sức khỏe đưa ra chẩn đoán chính xác.
Trong bối cảnh xe tự lái, các mô hình phát hiện vật thể được sử dụng để xác định và định vị các vật thể khác nhau trên đường. Một mô hình có điểm mAP cao đảm bảo rằng xe có thể phát hiện và phân loại chính xác các vật thể theo thời gian thực, điều này rất cần thiết để đưa ra quyết định lái xe sáng suốt và tránh va chạm. Ultralytics YOLO các mô hình, được biết đến với tốc độ và độ chính xác, thường được sử dụng trong các ứng dụng như vậy và hiệu suất của chúng thường được đánh giá bằng mAP. Khám phá thêm về AI trong các giải pháp Tự lái .
Trong chăm sóc sức khỏe, các mô hình phát hiện đối tượng được sử dụng để phân tích hình ảnh y tế như X-quang, chụp CT và MRI. Ví dụ, một mô hình được đào tạo để phát hiện khối u ung thư cần có mAP cao để đảm bảo cả độ chính xác cao (giảm thiểu kết quả dương tính giả) và khả năng thu hồi cao (giảm thiểu kết quả âm tính giả). Điều này giúp các chuyên gia y tế chẩn đoán sớm và chính xác, dẫn đến kết quả điều trị tốt hơn cho bệnh nhân. Ultralytics YOLO có thể được sử dụng để phát triển các mô hình như vậy và hiệu suất của chúng có thể được đánh giá nghiêm ngặt bằng mAP. Tìm hiểu thêm về vai trò của AI trong chăm sóc sức khỏe .
Mặc dù mAP là một số liệu toàn diện, nhưng điều quan trọng là phải phân biệt nó với các số liệu liên quan khác. Ví dụ, Độ chính xác chỉ đo lường độ chính xác tổng thể của các dự đoán của mô hình nhưng không tính đến sự cân bằng giữa độ chính xác và khả năng thu hồi. Giao điểm trên hợp nhất (IoU) là một số liệu liên quan khác đo lường sự chồng chéo giữa hộp giới hạn dự đoán và hộp giới hạn thực tế cho một đối tượng duy nhất. Mặc dù IoU rất quan trọng để đánh giá độ chính xác định vị của từng phát hiện, mAP cung cấp đánh giá rộng hơn về hiệu suất phát hiện tổng thể của mô hình trên nhiều đối tượng và lớp. Tìm hiểu thêm về số liệu phát hiện đối tượng .
Ultralytics YOLO là một khuôn khổ phát hiện đối tượng theo thời gian thực, hiện đại thường sử dụng mAP làm số liệu đánh giá chính. Khuôn khổ này cung cấp các công cụ và tài nguyên để đào tạo, xác thực và triển khai các mô hình phát hiện đối tượng và cung cấp số liệu hiệu suất chi tiết, bao gồm mAP, để giúp người dùng đánh giá và cải thiện các mô hình của họ. Ngoài ra, các nền tảng như Ultralytics HUB cung cấp khả năng tích hợp liền mạch để đào tạo và triển khai các mô hình, giúp các nhà nghiên cứu và học viên dễ dàng tận dụng các khả năng phát hiện đối tượng tiên tiến. Đọc thêm về phát hiện và theo dõi đối tượng với Ultralytics YOLO . Để xem xét kỹ hơn các thuật ngữ và kỹ thuật liên quan đến phát hiện đối tượng, hãy khám phá Thuật ngữ Ultralytics .
%25202.png)
%202.png)
