mAP 50 (میانگین دقت متوسط در 50) و mAP 50-95 (میانگین دقت متوسط در فواصل زمانی 50 تا 95) دو معیار رایج برای ارزیابی عملکرد مدلهای تشخیص اشیا، مانند YOLO (شما فقط یک بار نگاه میکنید) هستند.
mAP 50 میانگین دقت مدل را در آستانه 50 درصد همپوشانی (تقاطع روی اتحادیه، IoU) بین باکس های پیشبینیشده و گراندتروس میکند. این متریک توانایی مدل را در تشخیص دقیق اشیا و تخصیص صحیح آنها به کلاس صحیح، با تمرکز بر دقت بالا، ارزیابی می کند.
از سوی دیگر، mAP 50-95، میانگین دقت مدل را در طیفی از آستانه های همپوشانی، از 50٪ تا 95٪، در مراحل 5٪ اندازه گیری می کند. این معیار ارزیابی جامع تری از عملکرد مدل ارائه می دهد، زیرا هم موارد همپوشانی زیاد (دقت بالا) و همپوشانی کم (یادآوری بالا) را در نظر می گیرد.
در آموزش YOLO، نظارت بر نمرات mAP 50 و mAP 50-95 می تواند بینش ارزشمندی را در مورد عملکرد مدل ارائه دهد و می تواند برای شناسایی زمینه های بهبود استفاده شود. با مقایسه امتیازات mAP مدل های مختلف، می توان تصمیمات آگاهانه ای در مورد اینکه کدام مدل برای یک کار خاص مناسب است، گرفت.