平均精度 (mAP)

平均精度（mAP）是评估物体检测模型准确性的一个关键性能指标，尤其是在计算机视觉领域。它通过考虑不同阈值下的精度和召回率来量化模型检测和定位图像中物体的效果。

了解平均精度

mAP 结合了精确度和召回率来评估模型的性能，如使用Ultralytics YOLO 的模型，这是一种领先的实时物体检测框架。精确度衡量预测对象相对于实际对象的准确性，而召回率则评估模型识别所有相关对象的能力。

相关性和应用

在物体检测领域，mAP 提供了一个单一指标，概括了模型正确识别和定位物体的能力。这在需要精确物体检测的领域至关重要，例如自动驾驶汽车、医疗保健（疾病检测）和安全监控。有关物体检测指标的概述，请查看Ultralytics YOLO 性能指标指南。

mAP 如何工作

mAP 分数综合了多个 "交集大于联合"（IoU）阈值的精度-召回权衡。IoU 是物体检测中的另一个关键概念，它量化了预测边界框与地面实况之间的重叠程度。进一步了解物体检测中的 IoU。

将 mAP 与类似指标区分开来

• 准确性准确度衡量的是正确预测占总预测的比例，但并不考虑检测到的物体的位置和大小。
• F1 分数：mAP 将 IoU 考虑在内，可提供更全面的评估。

现实世界中的应用实例

自动驾驶汽车

在自动驾驶中，准确及时地检测行人、车辆和障碍物至关重要。具有高 mAP 分数的物体检测模型（如Ultralytics HUB 提供的模型）可确保有效的实时检测和决策，从而提高安全性和性能。了解更多信息，请参阅我们的 人工智能自动驾驶解决方案。

医疗成像

医疗保健中的物体检测，如放射学中的肿瘤检测，在很大程度上依赖于具有高 mAP 的工具。Ultralytics YOLO 等模型可用于提高诊断准确性并为医疗专业人员提供支持。了解更多人工智能在医疗保健领域的作用。

相关概念和技术

• 非最大抑制（NMS）:只保留最可靠的预测，从而减少重叠边框的技术。
• 实例分割:与检测和划分图像中的每个独特对象有关，通常使用 mAP 和分割指标进行评估。

要深入了解物体检测以及 mAP 如何用于优化模型，您可以浏览我们关于物体检测和跟踪的博客。

平均精度是人工智能和 ML 应用中模型评估和改进的基础，是性能的综合基准。如需进一步了解与物体检测相关的术语和技术，请访问Ultralytics 词汇表。