2 – mAP (mean average precision) para evaluar detectores de objetos

Lección 2 del curso Detección de Objetos con Deep Learning.

En la lección anterior vimos qué es la detección de objetos en la Visión por Computador. En este tipo de sistemas introducimos al detector una imagen y este predice tanto la categoría como la ubicación de cada objeto de interés dentro de la imagen.

Así que en esta lección vamos a ver qué es y cómo se calcula el mAP (o mean average precision), la métrica que se usa para evaluar el desempeño de cualquier detector de objetos.

Comencemos entonces entendiendo cómo se cuantifica el desempeño del clasificador y del localizador en un detector de objetos:

En esencia la clasificación y localización de cada objeto de interés en una imagen se pueden evaluar usando:

• El área bajo la curva precision-recall que mide qué tan bien clasifica los objetos el clasificador
• La intersección sobre unión (o intersection over union, o simplemente IoU) que mide qué tan bien localiza cada objeto el localizador.

Y al combinar estos dos elementos tendremos el mAP (o mean Average Precision) del detector de objetos. Así que veamos cómo se calcula este mAP:

Así que el mAP resulta de combinar las curvas precision-recall y el IoU, calculados para diferentes umbrales de probabilidad. Es decir que este mAP es, como su nombre lo indica, el promedio de los Average Precision (AP) obtenidos sobre todas las clases del detector.

Y si además evaluamos este mAP para varios umbrales de IoU (por ejemplo de 0.50 a 0.95) tendremos el mAP50-95 que es simplemente el promedio de todos esos AP a través de las clases y de los umbrales de IoU.

Así que en este punto ya tenemos claro qué es el mAP y cómo se calcula, lo que resultará clave al momento de elegir un modelo detector de objetos, que será precisamente el tema de la próxima lección.

Todas las lecciones del curso Detección de Objetos con Deep Learning