HyperAI超神经

平均精度 (mAP) は、機械学習の物体検出タスクで広く使用されているパフォーマンスメトリックです。さまざまなレベルの物体検出信頼しきい値の精度と再現率を考慮して、物体検出モデルの精度を測定します。

モデル比較における mAP の重要性は何ですか?

モデル比較における平均精度 (mAP) の重要性は、ターゲット検出モデルに公正かつ客観的な評価指標を提供できることです。 mAP は、精度と再現率を考慮することで、オブジェクトを正確に検出する際のモデルのパフォーマンスを包括的に評価します。

物体検出モデルを比較する場合、精度や精度などの単一の指標だけに依存するのではなく、全体的なパフォーマンスを把握する指標を用意することが重要です。 mAP は、精度と再現率のトレードオフを考慮して、さまざまな信頼度のしきい値の平均精度を表す単一の数値を提供します。

モデルの比較に mAP を使用すると、評価方法の標準化が保証され、研究者や実務者がモデルを客観的にランク付けして比較できるようになります。これは、特定の物体検出タスクに対して最も効率的で強力なモデルを特定するのに役立ち、それによってモデルの選択または展開の意思決定プロセスを支援します。

さまざまなコンテキストや特定の要件で使用される平均精度 (mAP) にはさまざまなバリエーションがあります。一般的なバリエーションには次のようなものがあります。

mAP@[IoU しきい値]:このバリアントでは、予測境界ボックスとグラウンドトゥルース境界ボックスの間の Intersection over Union (IoU) が考慮されます。異なる IoU しきい値 (0.5、0.75 など) を設定することにより、mAP@[IoU しきい値] は、予測ボックスとグラウンドトゥルースボックス間のさまざまな重複レベルでのオブジェクト検出の精度を測定します。
重み付けされた mAP:一部のカテゴリーがより重要である場合、または異なる重要度レベルを持つ場合には、重み付けされた mAP を使用できます。このバリエーションでは、相対的な重要性を反映して個々のカテゴリに異なる重みを割り当て、全体の重み付けされた mAP を計算します。
特定領域マップ:このバリアントは、画像内の特定の関心領域または領域に対するオブジェクト検出パフォーマンスの評価に焦点を当てています。特定の重要な領域でオブジェクトを検出する際のモデルの精度と堅牢性を評価します。
mAP の検索:オブジェクト検出の評価に加えて、このバリアントでは、境界ボックス予測の精度と再現率を考慮して、オブジェクトの位置を正確に特定するモデルの能力を特に評価します。

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