Mittlere Durchschnittliche Präzision (mAP)

Die mittlere durchschnittliche Präzision (mAP) ist eine weit verbreitete Leistungsmetrik bei Objekterkennungsaufgaben im maschinellen Lernen. Es misst die Genauigkeit von Objekterkennungsmodellen, indem es Präzision und Rückruf auf verschiedenen Ebenen der Objekterkennungs-Vertrauensschwellenwerte berücksichtigt.

Welche Bedeutung hat mAP für den Modellvergleich?

Die Bedeutung der mittleren durchschnittlichen Präzision (mAP) für den Modellvergleich liegt darin, dass sie einen fairen und objektiven Bewertungsindikator für Zielerkennungsmodelle liefern kann. Durch die Berücksichtigung sowohl der Präzision als auch des Rückrufs bietet mAP eine umfassende Bewertung der Leistung des Modells bei der genauen Erkennung von Objekten.

Beim Vergleich von Objekterkennungsmodellen ist es entscheidend, eine Metrik zu haben, die die Gesamtleistung erfasst, anstatt sich nur auf eine einzelne Metrik wie Genauigkeit oder Präzision zu verlassen. mAP liefert eine einzelne Zahl, die die durchschnittliche Genauigkeit bei verschiedenen Vertrauensschwellenwerten darstellt und dabei den Kompromiss zwischen Präzision und Rückruf berücksichtigt.

Durch die Verwendung von mAP für den Modellvergleich wird sichergestellt, dass die Bewertungsmethoden standardisiert sind, sodass Forscher und Praktiker Modelle objektiv bewerten und vergleichen können. Es hilft dabei, das effektivste und leistungsstärkste Modell für eine bestimmte Objekterkennungsaufgabe zu bestimmen und unterstützt so den Entscheidungsprozess bei der Modellauswahl oder -bereitstellung.

Änderungen in mAP

Es gibt viele Variationen der mittleren durchschnittlichen Präzision (mAP), die in unterschiedlichen Kontexten oder für spezifische Anforderungen verwendet werden. Zu den häufigsten Änderungen gehören:

• mAP@[IoU-Schwellenwert]:Diese Variante berücksichtigt die Schnittmenge über Vereinigung (IoU) zwischen der vorhergesagten Begrenzungsbox und der Ground-Truth-Begrenzungsbox. Durch Festlegen verschiedener IoU-Schwellenwerte (z. B. 0,5, 0,75) misst mAP@[IoU-Schwellenwert] die Genauigkeit der Objekterkennung bei verschiedenen Überlappungsebenen zwischen der vorhergesagten Box und der tatsächlichen Box.
• Gewichtete mAP:In Fällen, in denen einige Klassen wichtiger sind oder unterschiedliche Signifikanzniveaus haben, kann gewichtetes mAP verwendet werden. Diese Variante weist den einzelnen Klassen unterschiedliche Gewichtungen zu, die ihre relative Bedeutung widerspiegeln, und berechnet einen insgesamt gewichteten mAP.
• Karte spezifischer Bereiche:Bei dieser Variante liegt der Schwerpunkt auf der Bewertung der Objekterkennungsleistung in einem bestimmten Interessenbereich oder Bereich innerhalb eines Bildes. Es bewertet die Genauigkeit und Robustheit des Modells bei der Erkennung von Objekten in bestimmten wichtigen Regionen.
• Positionierungskarte:Zusätzlich zur Bewertung der Objekterkennung bewertet diese Variante insbesondere die Fähigkeit des Modells, Objekte genau zu lokalisieren, indem die Präzision und der Trefferquoten von Begrenzungsrahmenvorhersagen berücksichtigt werden.

Verweise

【1】https://encord.com/glossary/mittlere-durchschnittliche-präzision/