Độ chính xác trung bình ( mAP )

Độ chính xác trung bình ( mAP (Chỉ số này) là một thước đo toàn diện được sử dụng rộng rãi để đánh giá hiệu suất của các mô hình thị giác máy tính , đặc biệt là trong các tác vụ như phát hiện đối tượng và phân đoạn thể hiện . Không giống như độ chính xác đơn giản, chỉ kiểm tra xem hình ảnh có được phân loại chính xác hay không, mAP Nó đánh giá mức độ hiệu quả của mô hình trong việc tìm kiếm đối tượng và độ chính xác khi định vị hộp giới hạn xung quanh chúng. Điều này khiến nó trở thành tiêu chuẩn chính để so sánh các kiến ​​trúc tiên tiến như YOLO26 với các thế hệ trước. Bằng cách tóm tắt sự đánh đổi giữa độ chính xác và độ thu hồi trên tất cả các lớp, mAP Nó cung cấp một điểm số duy nhất phản ánh độ bền vững của mô hình trong các tình huống thực tế.

Các thành phần của mAP

Để tính toán mAP Trước tiên, cần phải hiểu ba khái niệm cơ bản định nghĩa chất lượng phát hiện:

• Giao điểm trên hợp nhất ( IoU ) : Chỉ số này đo lường sự chồng lấp không gian giữa hộp dự đoán và chú thích thực tế . Nó là một tỷ lệ nằm trong khoảng từ 0 đến 1. Một dự đoán thường chỉ được coi là "Đúng dương tính" nếu... IoU vượt quá một ngưỡng cụ thể, chẳng hạn như 0,5 hoặc 0,75.
• Độ chính xác : Chỉ số này trả lời câu hỏi, "Trong tất cả các đối tượng mà mô hình tuyên bố có thể..." detect "Vậy, bao nhiêu phần trăm trong số đó thực sự chính xác?" Độ chính xác cao có nghĩa là mô hình tạo ra rất ít kết quả dương tính giả .
• Độ chính xác (Recall) : Chỉ số này đặt ra câu hỏi, "Trong tất cả các đối tượng thực sự tồn tại trong hình ảnh, mô hình đã tìm thấy bao nhiêu phần trăm?" Độ chính xác cao cho thấy mô hình tránh được các trường hợp âm tính giả và hiếm khi bỏ sót đối tượng nào.

Phương pháp tính toán

Quá trình tính toán bắt đầu bằng việc tính Độ chính xác trung bình ( AP ) cho từng lớp cụ thể (ví dụ: "người," "xe hơi," "chó"). Điều này được thực hiện bằng cách tìm diện tích dưới đường cong Độ chính xác-Độ thu hồi , biểu diễn độ chính xác so với độ thu hồi ở các ngưỡng tin cậy khác nhau. "Trung bình" trong Độ chính xác trung bình chỉ đơn giản là đề cập đến việc tính trung bình các giá trị này. AP điểm số trên tất cả các hạng mục trong dữ liệu huấn luyện .

Các tiêu chuẩn nghiên cứu thông thường, chẳng hạn như bộ dữ liệu COCO , thường báo cáo hai biến thể chính:

1. mAP @50 : Điều này coi một phát hiện là chính xác nếu... IoU Ít nhất là 0,50. Đây là một chỉ số khá dễ dãi.
2. mAP @50-95 : Đây là giá trị trung bình của mAP được tính toán tại IoU Ngưỡng từ 0,50 đến 0,95 với bước tăng 0,05. Tiêu chí nghiêm ngặt này đánh giá cao các mô hình đạt độ chính xác định vị cao.

mAP so với các chỉ số liên quan

Điều quan trọng là phải phân biệt mAP Từ Accuracy (Độ chính xác ). Accuracy phù hợp cho phân loại ảnh, trong đó đầu ra là một nhãn duy nhất cho toàn bộ ảnh, nhưng nó lại không hiệu quả trong phát hiện đối tượng vì không tính đến vị trí không gian của đối tượng hoặc lớp nền. Tương tự, trong khi F1-Score cung cấp trung bình điều hòa của độ chính xác và độ thu hồi tại một ngưỡng tin cậy duy nhất , mAP Tích hợp hiệu suất trên tất cả các mức độ tin cậy, mang lại cái nhìn toàn diện hơn về tính ổn định của mô hình.

Các Ứng dụng Thực tế

Cao mAP Điểm số đóng vai trò rất quan trọng trong môi trường mà an toàn và hiệu quả là yếu tố tối quan trọng.

• Xe tự hành : Trong công nghệ xe tự lái, sự an toàn phụ thuộc vào việc phát hiện người đi bộ và biển báo giao thông với độ chính xác cao (không bỏ sót bất cứ thứ gì) và độ nhạy cao (tránh phanh đột ngột). mAP Đảm bảo hệ thống nhận thức cân bằng hiệu quả các nhu cầu này.
• Phân tích hình ảnh y tế : Khi xác định khối u hoặc gãy xương trên ảnh chụp X-quang, các bác sĩ X-quang dựa vào trí tuệ nhân tạo (AI) trong chăm sóc sức khỏe để phát hiện các vấn đề tiềm ẩn. Mức độ cao mAP Điểm số cho thấy mô hình này đáng tin cậy trong việc phát hiện các bất thường mà không làm bác sĩ bị quá tải bởi các cảnh báo sai, giúp chẩn đoán chính xác hơn.

Đo lường mAP với Ultralytics

Các khuôn khổ hiện đại đơn giản hóa việc tính toán các chỉ số này trong quá trình... xác thực giai đoạn. Ví dụ sau đây minh họa cách tải mô hình và tính toán. mAP sử dụng ultralytics Python bưu kiện.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Validate the model on a dataset to compute mAP
# This runs inference and compares predictions to ground truth
metrics = model.val(data="coco8.yaml")

# Print mAP@50-95 (map) and mAP@50 (map50)
print(f"mAP@50-95: {metrics.box.map:.3f}")
print(f"mAP@50: {metrics.box.map50:.3f}")

Hiểu và tối ưu hóa cho mAP Việc này rất quan trọng trước khi triển khai mô hình . Để tối ưu hóa quy trình này, Nền tảng Ultralytics cung cấp tính năng theo dõi tự động. mAP Các chỉ số KPI như đường cong tổn thất và các chỉ số khác trong quá trình huấn luyện cho phép các nhà phát triển hình dung được tiến độ và chọn điểm kiểm tra mô hình tốt nhất để đưa vào sản xuất.