mAP

Средняя точность (mean Average Precision, mAP) — это метрика, которая оценивает, насколько хорошо модель компьютерного зрения находит нужные объекты на изображении. Проще говоря, она показывает, точно и полно ли алгоритм определяет, например, все ли машины на фото найдены и не перепутаны ли с грузовиками. mAP измеряется от 0 до 1: чем ближе к единице, тем лучше.

Зачем это нужно? В реальных задачах (беспилотники, поиск товаров на складе) нельзя оценивать нейросеть одним процентом правильных ответов. Модель может хорошо находить крупные объекты, но пропускать мелкие или давать ложные срабатывания. mAP объединяет два качества: полноту (нашёл все объекты) и точность (не назвал объектом то, что им не является). Поэтому mAP стала стандартом соревнований по детекции, например COCO, и позволяет сравнивать алгоритмы.

Как это работает интуитивно? Модель выдаёт предсказания с уверенностью, например «95% что это котик». Мы сортируем их от самых надёжных к сомнительным и постепенно открываем. Если предсказание верное — точность растёт, если ложное — падает. Получается кривая, а средняя точность — площадь под ней. Для каждого класса («кошки», «собаки») строится своя кривая, затем площади усредняются — это и есть mAP. Большая площадь означает, что модель сразу выдаёт верные результаты и почти не ошибается.

Пример: умная камера в супермаркете считает товары на полке — яблоки, бананы, хлеб. Плохая модель может принять тыкву за яблоко или пропустить половину бананов. mAP показывает, насколько сильно такая путаница снижает качество. Если значение выше 0,8, камере можно доверять в автоучёте, ниже — нужно дообучать модель.

Коротко говоря, mAP — это универсальный «экзамен» для моделей компьютерного зрения. Он даёт честную оценку того, насколько хорошо алгоритм справляется с поиском объектов в реальных условиях, а не в лаборатории. Поэтому о нём стоит помнить каждому, кто работает с такими системами.