14분
mAP, IoU 이해 및 탐지 모델 평가
Day 3: YOLO 객체 탐지
mAP, IoU 이해 및 탐지 모델 평가
비전 AI 외관검사 > Day 3: YOLO 객체 탐지
학습 목표
- IoU(Intersection over Union)의 계산과 의미를 이해한다
- mAP50, mAP50-95 지표를 해석할 수 있다
- 제조 탐지 모델의 성능을 종합적으로 평가할 수 있다
탐지 모델 평가 지표
IoU (Intersection over Union)
[IoU 계산]
예측 박스와 정답 박스의 겹치는 비율
┌──────────┐
│ 정답 │
│ ┌─────┼──────┐
│ │교집합│ │
└────┼─────┘ │
│ 예측 │
└────────────┘
IoU = 교집합 면적 / 합집합 면적
IoU = 0.0: 전혀 안 겹침 (완전 실패)
IoU = 0.5: 절반 겹침 (최소 기준)
IoU = 0.75: 많이 겹침 (좋음)
IoU = 1.0: 완벽히 일치 (이론적)mAP 계산
mAP50: IoU >= 0.5인 경우의 Average Precision
mAP50-95: IoU 0.5, 0.55, ..., 0.95의 AP 평균 (더 엄격)
합격선은 어디서 오는가
"mAP50 0.95 이상이면 프로덕션"처럼 떠도는 기준을 그대로 쓰면 안 된다. mAP 는 제품·결함 유형·라벨 정의(상자를 얼마나 타이트하게 치는가)에 따라 크게 달라지고, 미세 결함 탐지에서 0.95 는 도달하기 어려운 값이다. 우리 라인 데이터로 0.72 가 나왔다고 실패한 것이 아니다.
합격선은 이렇게 세운다.
1. 고객·사내 품질 기준을 먼저 확인한다 (허용 ppm, 특별특성 여부)
2. 지금 사람이 하는 검사의 미검·과검을 같은 표본으로 잰다 ← 비교 대상은 이것이다
3. 모델이 그 수준을 넘는지 본다. 넘으면 도입 후보, 못 넘으면 데이터·조명부터 다시 본다
4. mAP 는 개발 중 비교용으로 쓰고, 라인 합격선은 미검율·과검율로 말한다
5. 정한 값을 검사 표준서에 적고 운영 데이터로 주기적으로 다시 잰다mAP 는 여러 임계값과 클래스를 뭉뚱그린 값이라 라인 합격 판정에 그대로 쓰기 어렵다. 현장과 합의하는 숫자는 "이 제품에서 미검 몇 건, 과검 몇 %"다.
에디터 로딩 중...
핵심 포인트
- • IoU 는 예측 상자와 정답 상자의 겹침 비율(0~1)이다
- • mAP50 은 IoU 0.5 기준, mAP50-95 는 0.5~0.95 를 0.05 간격으로 평균한 값
- • mAP 합격선은 제품·결함 정의에 따라 달라진다. 남의 숫자를 옮기지 말고 사람 검사 수준과 견줘 정한다
- • 추론 시간의 상한은 택트타임에서 나온다. 라인 속도와 시야로 계산한다(Day 1)
AI로 학습하기 — 꿀팁
mAP 계산 로직 오류 점검AI 학습 팁
AI에게 YOLO 탐지 모델 mAP50·mAP50-95 평가 코드를 리뷰받아 IoU 임계값 적용 오류와 다중 클래스 평균 계산 버그를 점검하세요.
이 제조 불량 탐지 모델의 mAP50, mAP50-95 평가 코드를 리뷰해줘. IoU 임계값 0.5에서 TP/FP 판정 로직 오류, 다중 불량 클래스(스크래치/크랙/오염)에서 macro mAP 계산 시 클래스별 AP 평균 처리 버그, Precision-Recall 커브에서 중복 탐지 처리 문제를 찾아줘.
이 팁이 도움이 됐나요?