평균 평균 정밀도(mAP)

평균 평균 정밀도(mAP)는 머신 러닝의 객체 감지 작업에서 널리 사용되는 성능 지표입니다. 이는 객체 감지 신뢰도 임계값의 다양한 수준에서 정밀도와 재현율을 고려하여 객체 감지 모델의 정확도를 측정합니다.

모델 비교에 있어서 mAP의 중요성은 무엇입니까?

모델 비교를 위한 평균 정밀도(mAP)의 중요성은 타겟 감지 모델에 대한 공정하고 객관적인 평가 지표를 제공할 수 있다는 것입니다. mAP는 정밀도와 재현율을 모두 고려하여 객체를 정확하게 감지하는 모델의 성능을 종합적으로 평가합니다.

객체 감지 모델을 비교할 때 정확도나 정밀도와 같은 단일 지표에만 의존하기보다는 전반적인 성능을 포착하는 지표를 갖는 것이 중요합니다. mAP는 정밀도-재현율 균형을 고려하여 다양한 신뢰 임계값에서의 평균 정확도를 나타내는 단일 숫자를 제공합니다.

모델 비교에 mAP를 사용하면 평가 방법이 표준화되어 연구자와 실무자가 모델을 객관적으로 순위를 매기고 비교할 수 있습니다. 이는 특정 객체 감지 작업에 가장 효과적이고 강력한 모델을 결정하는 데 도움이 되므로 모델 선택이나 배포에 대한 의사 결정 과정에 도움이 됩니다.

mAP의 변화

다양한 상황이나 특정 요구 사항에 따라 평균 정밀도(mAP)의 다양한 변형이 사용됩니다. 일반적인 변경 사항은 다음과 같습니다.

• mAP@[IoU 임계값]:이 변형은 예측된 경계 상자와 기준 진실 경계 상자 사이의 IoU(Intersection over Union)를 고려합니다. mAP@[IoU 임계값]은 다양한 IoU 임계값(예: 0.5, 0.75)을 설정하여 예측 상자와 실제 상자 사이의 다양한 중복 수준에서 객체 감지의 정확도를 측정합니다.
• 가중 mAP:일부 클래스가 더 중요하거나 유의수준이 다른 경우 가중 mAP를 사용할 수 있습니다. 이 변형은 각 클래스에 다른 가중치를 할당하여 상대적 중요성을 반영하고 전체 가중치가 적용된 mAP를 계산합니다.
• 특정 지역 mAP:이 변형은 이미지 내의 특정 관심 영역이나 영역에 대한 객체 감지 성능을 평가하는 데 중점을 둡니다. 특정 중요 지역의 객체를 감지하는 모델의 정확도와 견고성을 평가합니다.
• mAP 위치 지정:이 변형은 객체 감지를 평가하는 것 외에도 경계 상자 예측의 정확도와 재현율을 고려하여 객체를 정확하게 지역화하는 모델의 능력을 구체적으로 평가합니다.

참고문헌

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