mAP(mean Average Precision)의 개념과 객체 인식에서 활용 방법

1. mAP란 무엇인가?

mAP(mean Average Precision)는 객체 인식(Object Detection) 모델의 성능을 평가할 때 사용하는 대표적인 지표입니다.
객체 인식에서는 단순히 객체의 종류를 맞추는 것뿐만 아니라 위치까지 정확하게 예측해야 합니다.

따라서 모델이 얼마나 정확하게 객체를 탐지하고 분류했는지를 종합적으로 평가하기 위해 mAP가 사용됩니다.

---

2. Precision과 Recall

mAP를 이해하려면 먼저 Precision과 Recall 개념을 알아야 합니다.

• Precision: 모델이 탐지한 객체 중 실제로 맞는 비율
• Recall: 실제 객체 중 모델이 찾아낸 비율

Precision이 높으면 잘못 탐지한 경우가 적고,
Recall이 높으면 놓치는 객체가 적다는 의미입니다.

---

3. IoU와 객체 탐지 판정

객체 인식에서는 예측된 Bounding Box와 실제 정답 박스가 얼마나 겹치는지를 IoU(Intersection over Union)로 계산합니다.

 

보통 IoU가 0.5 이상이면 올바른 탐지(True Positive)로 판단합니다.

---

4. AP와 mAP

• AP (Average Precision)
  하나의 클래스에 대한 Precision-Recall 성능을 종합한 값
• mAP (mean Average Precision)
  여러 클래스의 AP 평균값

예를 들어 사람, 자동차, 자전거 클래스의 AP가 각각
0.82 / 0.76 / 0.71이라면

mAP = (0.82 + 0.76 + 0.71) / 3

이 값이 전체 객체 탐지 모델의 평균 성능을 의미합니다.

---

5. 객체 인식에서 mAP 활용

mAP는 객체 탐지 모델을 평가할 때 다음과 같이 활용됩니다.

• 모델 성능 비교 (YOLO, Faster R-CNN 등)
• 학습 과정 성능 확인
• 하이퍼파라미터 튜닝
• 실제 서비스 적용 전 성능 검증

---

정리

mAP는 객체 인식 모델의 성능을 평가하는 핵심 지표입니다.

간단히 정리하면

• Precision: 탐지한 것 중 맞은 비율
• Recall: 실제 객체 중 찾아낸 비율
• AP: 한 클래스의 탐지 성능
• mAP: 전체 클래스 평균 성능

따라서 mAP 값이 높을수록 객체를 더 정확하게 탐지하는 모델이라고 볼 수 있습니다.