🇶 mAP(mean Average Precision)의 개념이 무엇이며 객체 인식에서 어떻게 활용되는지 설명해주세요.
mAP(mean Average Precision)는 객체 인식(Object Detection) 모델의 성능을 평가하는 대표적인 지표입니다. 단순히 정확도를 측정하는 것이 아니라, 모델이 객체를 얼마나 정확한 위치에서 제대로 분류했는지를 종합적으로 나타냅니다.
1. mAP의 핵심 개념
mAP를 이해하기 위해서는 먼저 Precision(정밀도)과 Recall(재현율), 그리고 이들의 관계를 나타내는 PR 곡선을 알아야 합니다.
- Precision (정밀도): 모델이 탐지했다고 예측한 결과 중 실제 정답(Ground Truth)의 비율입니다.
- Recall (재현율): 실제 정답 중 모델이 빠뜨리지 않고 탐지해낸 비율입니다.
- AP (Average Precision): 특정 클래스에 대해 PR 곡선 아래의 면적을 계산한 값이다. 보통 Precision과 Recall은 반비례 관계에 있는데, 이를 하나의 수치로 요약한 것이 AP입니다.
- mAP (mean Average Precision): 각 클래스별 AP 값을 모두 합쳐 클래스 개수로 나눈 평균값입니다.
2. 계산 과정: IoU와 Threshold
mAP 계산에서 가장 중요한 전제 조건은 IoU(Intersection over Union)입니다.
- IoU: 모델이 예측한 상자(Bounding Box)와 실제 정답 상자가 얼마나 겹치는지를 나타내는 지표(0~1 사이)입니다.
- 보통 IoU가
0.5 이상일 때 올바르게 탐지한 것으로 간주합니다. (이를 mAP@0.5라고 표현함) - 최근에는 성능을 더 엄격하게 평가하기 위해 IoU 임계값을 0.5부터 0.95까지 변화시키며 평균을 내는
mAP@[.5:.95]방식을 주로 사용합니다.
3. 객체 인식에서의 활용
객체 인식 분야에서 mAP가 표준 지표로 활용되는 이유는 다음과 같습니다.
- 복합적인 성능 평가: 모델이 물체의 위치를 정확히 찾았는지(Localization)와 종류를 맞혔는지(Classification)를 동시에 평가할 수 있습니다.
- 클래스 불균형 해소: 단순히 전체 정확도를 따지면 데이터가 많은 클래스에 편향될 수 있지만, mAP는 클래스별로 AP를 구한 뒤 평균을 내므로 공정한 평가가 가능합니다.
- 검출 한계 측정: 모델이 얼마나 낮은 신뢰도(Confidence Score)까지 정답으로 인정할 것인가에 따른 성능 변화를 한눈에 파악할 수 있습니다.
📊 요약
(여기서 N은 클래스의 총 개수입니다.)
결론적으로 mAP가 높다는 것은 모델이 다양한 종류의 사물을 놓치지 않으면서도(High Recall), 틀린 예측을 적게 하며(High Precision), 위치까지 정확하게(High IoU) 찾아내고 있음을 의미합니다.
