Précision Moyenne (mAP)

La précision moyenne moyenne (mAP) est une mesure de performance largement utilisée dans les tâches de détection d'objets dans l'apprentissage automatique. Il mesure la précision des modèles de détection d'objets en prenant en compte la précision et le rappel à différents niveaux de seuils de confiance de détection d'objets.

Quelle est l’importance de mAP pour la comparaison de modèles ?

L’importance de la précision moyenne (mAP) pour la comparaison des modèles est qu’elle peut fournir un indicateur d’évaluation juste et objectif pour les modèles de détection de cibles. En prenant en compte à la fois la précision et le rappel, mAP fournit une évaluation complète des performances du modèle dans la détection précise des objets.

Lors de la comparaison des modèles de détection d'objets, il est essentiel de disposer d'une mesure qui capture les performances globales, plutôt que de s'appuyer uniquement sur une seule mesure comme l'exactitude ou la précision. mAP fournit un nombre unique représentant la précision moyenne à différents seuils de confiance, en tenant compte du compromis précision-rappel.

L’utilisation de mAP pour la comparaison des modèles garantit que les méthodes d’évaluation sont standardisées, permettant aux chercheurs et aux praticiens de classer et de comparer objectivement les modèles. Il permet de déterminer le modèle le plus efficace et le plus puissant pour une tâche de détection d'objet spécifique, facilitant ainsi le processus de prise de décision de sélection ou de déploiement du modèle.

Changements dans mAP

Il existe de nombreuses variantes de précision moyenne (mAP) utilisées dans différents contextes ou exigences spécifiques. Certains changements courants incluent :

• mAP@[seuil IoU] :Cette variante considère l'intersection sur l'union (IoU) entre la boîte englobante prédite et la boîte englobante de vérité terrain. En définissant différents seuils IoU (par exemple, 0,5, 0,75), mAP@[IoU threshold] mesure la précision de la détection d'objets à différents niveaux de chevauchement entre la boîte prédite et la boîte réelle.
• mAP pondéré :Dans les cas où certaines classes sont plus importantes ou ont des niveaux de signification différents, le mAP pondéré peut être utilisé. Cette variante attribue des poids différents aux classes individuelles, reflétant leur importance relative, et calcule un mAP pondéré global.
• Carte de zone spécifique :Cette variante se concentre sur l’évaluation des performances de détection d’objets sur une région d’intérêt ou une zone spécifique dans une image. Il évalue la précision et la robustesse du modèle dans la détection d’objets dans des régions importantes spécifiques.
• Positionnement mAP :En plus d'évaluer la détection d'objets, cette variante évalue spécifiquement la capacité du modèle à localiser avec précision les objets en prenant en compte la précision et le rappel des prédictions de la boîte englobante.

Références

【1】https://encord.com/glossary/mean-average-precision/