深度學習知識地圖 · 評估指標
評估指標
mAP, IoU
觀念教學
物件偵測不只要「認得出是什麼」,還要「框得準在哪、跑得夠快」。所以 YOLO 這類模型用三把尺:mAP、IoU、FPS。
核心觀念
- IoU(Intersection over Union):預測框與真實框的重疊程度。白話公式:交集面積 除以 聯集面積,1 是完美重疊;實務會設門檻(如 0.5)判定「框對了沒」
- mAP(mean Average Precision):每個類別先算平均精度 AP,再對所有類別取平均 — 物件偵測的總成績單,越高越好
- FPS(Frames Per Second):每秒能處理幾張影像,衡量即時性
白話理解
工廠產線瑕疵偵測:IoU 檢查「瑕疵框得準不準」,mAP 檢查「各類瑕疵整體抓得好不好」,FPS 檢查「跟不跟得上輸送帶」。三關都過,才能上線。
關鍵細節
- IoU 是單一框的幾何指標;mAP 是整個模型的綜合指標,計算時以 IoU 門檻為基礎(先用門檻判定命中,再算各類精度)
- 精度與速度互相拉扯:模型越大通常 mAP 越高、FPS 越低;邊緣裝置部署得在兩者間取捨
- 自駕、即時監控這類應用,FPS 是硬門檻,不是加分項;偵測得再準,慢半拍就沒有意義
🎯 口訣:IoU 量框準,mAP 量整體,FPS 量夠不夠快。
iPAS 考點
配對題:「衡量邊界框重疊程度」→ IoU;「衡量物件偵測整體效果」→ mAP;「衡量即時性」→ FPS。情境題出現「需要即時偵測」,答案必須同時顧到 FPS。陷阱:拿 Accuracy 評物件偵測 — 偵測任務沒有單純的對錯比例,認明 mAP。
應用場景
評估指標
iPAS 歷屆考題詳解(1 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
在企業導入的智慧監控系統中，模型以物件偵測（Object Detection）方式自動辨識影像中的人物與車輛。若評估指標採用平均精確率（Mean Average Precision, mAP），其中 IoU（Intersection over Union）閾值設定較高時，代表下列哪一項意義？
- A預測邊界框與真實邊界框的重疊程度越高，模型偵測結果越精準
- B預測邊界框與真實邊界框的誤差越大，導致 mAP數值上升
- C模型整體精確率（Precision）降低，但召回率（Recall）上升
- D預測邊界框的評估結果不受真實框大小影響
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
IoU(Intersection over Union)衡量預測邊界框與真實邊界框的重疊比例(交集面積除以聯集面積)。計算 mAP 時,先以 IoU 閾值判定每個偵測結果是否算「命中」;閾值設定越高,代表只有重疊度非常高的預測框才被視為正確,等於以更嚴格的標準要求定位精準度。能在高 IoU 閾值下仍維持高 mAP 的模型,定位就越精準。
【為何其他選項錯了?】
- (B):預測誤差越大,IoU 越低,在高閾值下更容易被判為錯誤,mAP 通常下降而非上升,因果關係顛倒。
- (C):閾值變嚴時,原本判為命中的框可能變成漏偵測,召回率(Recall)一般是下降,不會上升。
- (D):IoU 是交集除以聯集,真實框的大小當然影響計算結果,不可能不受影響。
提示:IoU 閾值代表判定命中的嚴格程度:閾值越高,對定位精準度的要求越高。