🎯 딥러닝 모델 성능 지표 총정리 (Acc, IoU, Dice, AP, mAP)

---

🧭 1️⃣ Accuracy (정확도)

전체 중 맞춘 비율
→ 분류(Classification), 세그멘테이션(Segmentation) 공통 사용

수식
$Accuracy = (정답으로 맞춘 수) / (전체 예측 수)$
예시

• 100개 픽셀 중 90개 맞춤 → Acc = 0.9
• 이미지 분류: 라벨이 맞았는가
• 세그멘테이션: 픽셀 단위로 맞았는가

특징

• 단순하고 직관적
• 배경 클래스가 많을 경우 과대평가될 수 있음

---

🧩 2️⃣ IoU (Intersection over Union)

예측과 실제가 얼마나 겹치는지 평가하는 지표
→ 세그멘테이션(Segmentation) / 탐지(Detection) 공통 사용

수식
$IoU = (예측 ∩ 실제) / (예측 ∪ 실제)$
즉, 겹치는 영역 ÷ (예측 + 실제 - 겹침 영역)

Mean IoU (mIoU)
$ mIoU = Σ IoU_k / K $
특징

• 객체 영역의 정확도를 나타냄
• 값이 1에 가까울수록 완벽한 분할
• 0.5 이상이면 상용 수준

---

💠 3️⃣ Dice Coefficient (또는 F1-Score)

IoU와 유사하지만 겹침 영역에 더 가중치
작은 객체나 경계 부분에 민감

수식
$Dice = (2 × |예측 ∩ 실제|) / (|예측| + |실제|)$

Mean Dice (mDice)
$mDice = Σ Dice_k / K$

IoU와 관계식
$Dice = (2 × IoU) / (1 + IoU)$

특징

• 항상 Dice > IoU
• 작은 객체에 더 민감
• 의료 영상 세그멘테이션에서 자주 사용

---

🎯 4️⃣ AP (Average Precision)

객체 탐지(Object Detection)에서 사용하는 지표
Precision-Recall 곡선(PR Curve)의 면적을 계산한 값

핵심 개념
$Precision = TP / (TP + FP)$
$Recall = TP / (TP + FN)$
여러 임계값(threshold)을 바꿔가며 계산한 PR 곡선의 면적이 AP

---

🧮 5️⃣ mAP (mean Average Precision)

여러 클래스의 AP를 평균낸 값
탐지(Object Detection) / 인스턴스 세그멘테이션 표준 지표

수식
$mAP = Σ AP_k / K$
일반적인 기준

IoU 기준	설명	수준
mAP@0.5	IoU ≥ 0.5 일 때 평균 AP	VOC 스타일 (일반적)
mAP@0.5:0.95	IoU 0.5~0.95 평균	COCO 스타일 (더 엄격)

---

📊 6️⃣ 전체 지표 비교표

지표	주요 분야	수식/기준	측정 대상	해석 포인트
Acc	분류 / 세그멘테이션	맞춘 비율	픽셀 / 라벨	단순 정확도
IoU / mIoU	세그멘테이션 / 탐지	겹침 / 합집합	객체 영역	영역 일치 정도
Dice / mDice	세그멘테이션	2×겹침 / (합)	객체 경계	IoU보다 작은 객체에 민감
AP	탐지 / 인스턴스 세그멘테이션	PR곡선 면적	각 클래스	정밀도·재현율 평가
mAP	탐지 / 인스턴스 세그멘테이션	AP 평균	전체 클래스	탐지 전체 성능

---

🧠 7️⃣ 도메인별 대표 지표

분야	대표 지표	이유
이미지 분류 (Classification)	Accuracy	클래스 라벨 단순 예측
객체 탐지 (Object Detection)	mAP	박스 위치 + 클래스 정확도 평가
세그멘테이션 (Segmentation)	mIoU / mDice	픽셀 단위 영역 평가
의료 영상 세그멘테이션	Dice	작은 영역 감지 중요
Semantic Segmentation (U-Net 등)	mIoU / mDice / Acc	표준 평가 지표

---

📈 8️⃣ 예시 로그 해석

Epoch	mIoU	Acc	상태	의미
[001]	0.0668	0.4882	초기	랜덤 수준
[004]	0.2594	0.8029	중간	모델이 구조 인식 시작
[006]	0.3717	0.8858	중후반	객체 구분 가능 단계

---

✅ 9️⃣ 한 줄 정리

지표	한 문장 정의
Acc	전체 픽셀/샘플 중 맞춘 비율
IoU / mIoU	예측과 실제의 겹침 비율
Dice / mDice	IoU보다 작은 객체에 민감한 겹침 정확도
AP	정밀도-재현율(PR Curve) 곡선 면적, 한 클래스 성능
mAP	모든 클래스 AP 평균 — 탐지 모델의 총점

---

💬 참고 기준

• mIoU ≥ 0.5 → 좋은 세그멘테이션 모델
• mDice ≥ 0.6 → 경계 인식 양호
• Acc ≥ 0.8 → 안정적 학습 상태
• mAP ≥ 0.5 (VOC) / ≥ 0.35 (COCO) → 실무 적용 가능

---