Khám phá tầm quan trọng của Độ chính xác trung bình (mAP) trong việc đánh giá các mô hình phát hiện đối tượng cho các ứng dụng AI như xe tự lái và chăm sóc sức khỏe.
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 , chẳng hạn như họ YOLO Ultralytics phổ biến. Nó cung cấp một điểm số toàn diện, duy nhất tóm tắt khả năng của mô hình trong việc xác định và định vị chính xác các đối tượng trên nhiều lớp và mức độ tin cậy khác nhau. Không giống như các số liệu đơn giản hơn, mAP cân bằng hiệu quả sự đánh đổi giữa việc tìm tất cả các đối tượng có liên quan (thu hồi) và đảm bảo các đối tượng được tìm thấy thực sự chính xác (độ chính xác), khiến nó trở nên quan trọng để đánh giá các mô hình được sử dụng trong các ứng dụng phức tạp như hệ thống tự động và chẩn đoán y tế.
Để hiểu mAP, trước tiên cần nắm được Precision và Recall . Trong phát hiện đối tượng:
Hai số liệu này thường có mối quan hệ nghịch đảo; cải thiện số liệu này đôi khi có thể làm giảm số liệu kia. mAP cung cấp một cách để đánh giá mô hình trên các điểm khác nhau của sự đánh đổi này. Bạn có thể tìm hiểu thêm về các nguyên tắc cơ bản của Độ chính xác và Thu hồi trên Wikipedia .
Việc tính toán mAP bao gồm một số bước. Đầu tiên, đối với mỗi lớp đối tượng, các dự đoán của mô hình được sắp xếp theo điểm tin cậy của chúng. Sau đó, một đường cong Precision-Recall được tạo ra bằng cách tính toán các giá trị Precision và Recall ở nhiều ngưỡng tin cậy khác nhau. Diện tích dưới đường cong này (AUC) cung cấp Độ chính xác trung bình (AP) cho lớp cụ thể đó. Cuối cùng, mAP được tính bằng cách tính trung bình các giá trị AP trên tất cả các lớp đối tượng trong tập dữ liệu.
Thông thường, mAP được báo cáo tại các ngưỡng Giao điểm trên Liên hợp (IoU) cụ thể, đo lường mức độ hộp giới hạn dự đoán chồng lên hộp sự thật cơ bản. Các biến thể phổ biến bao gồm:
Để có cái nhìn chi tiết về cách các số liệu này áp dụng cho YOLO mô hình, hãy xem hướng dẫn về Chỉ số hiệu suất YOLO .
Độ chính xác trung bình trung bình rất quan trọng vì nó cung cấp góc nhìn toàn diện về hiệu suất của mô hình phát hiện đối tượng. Nó tính đến cả độ chính xác phân loại (lớp đối tượng có đúng không?) và độ chính xác định vị (hộp giới hạn có được đặt đúng không?) trên tất cả các lớp. Điều này làm cho nó cung cấp nhiều thông tin hơn so với việc chỉ xem xét độ chính xác hoặc khả năng thu hồi, đặc biệt là trong các tập dữ liệu có nhiều loại đối tượng hoặc phân phối lớp không cân bằng. Điểm mAP cao hơn thường chỉ ra mô hình phát hiện đối tượng mạnh mẽ và đáng tin cậy hơn. Việc cải thiện mAP thường liên quan đến các kỹ thuật như điều chỉnh siêu tham số và sử dụng dữ liệu đào tạo tốt hơn.
mAP rất quan trọng trong việc đánh giá các mô hình cho các nhiệm vụ thực tế, trong đó độ chính xác là tối quan trọng:
Điều quan trọng là phải phân biệt mAP với các số liệu đánh giá liên quan:
Các công cụ như Ultralytics HUB cho phép người dùng đào tạo, theo dõi và đánh giá các mô hình, đặc biệt là mAP như một chỉ số hiệu suất chính. Các khuôn khổ như PyTorch và TensorFlow cung cấp các khối xây dựng cho các mô hình này. Các tập dữ liệu chuẩn như COCO và PASCAL VOC sử dụng mAP làm số liệu chính để so sánh các mô hình phát hiện đối tượng, thúc đẩy tiến trình trong lĩnh vực này. Bạn có thể khám phá và so sánh các hiệu suất mô hình khác nhau, thường được đo bằng mAP, trên các trang So sánh mô hình Ultralytics .