Précision, rappel, mAP : juger un modèle de vision

Quand un fournisseur ou un tutoriel annonce « 52 de mAP » ou « 95 % de précision », ce chiffre ne dit rien tant qu'on ne sait pas ce qu'il mesure. Les métriques d'un détecteur d'objets répondent à des questions différentes : les alertes sont-elles justes ? Les vrais objets sont-ils tous trouvés ? Les boîtes tombent-elles au bon endroit ? Cette page définit les termes à partir de la documentation d'Ultralytics et de Hugging Face (lue le 15/11/2026), puis montre comment les lire sur un exemple chiffré inventé pour l'occasion.

Les définitions

• IoU (Intersection over Union) : mesure le recouvrement entre une boîte prédite et la boîte de référence tracée à la main. Plus il est haut, mieux l'objet est localisé. Un seuil de 0,50 est typiquement utilisé pour décider qu'une détection est juste, d'après Ultralytics.
• Précision : « la proportion de vrais positifs parmi toutes les prédictions positives ». Elle répond à : parmi mes alertes, combien sont justes ? Une précision basse signale des fausses détections.
• Rappel : « la proportion de vrais positifs parmi tous les positifs réels ». Elle répond à : parmi les vrais objets, combien en ai-je trouvé ? Un rappel bas signale des objets manqués.
• F1 : moyenne harmonique de la précision et du rappel, un seul chiffre quand on veut équilibrer les deux.
• AP (Average Precision) : « l'aire sous la courbe précision-rappel », calculée classe par classe.
• mAP : la moyenne des AP sur les classes, donc un score global pour un modèle à plusieurs classes.
• mAP50 et mAP50-95 : le mAP à un seuil d'IoU de 0,50, ou moyenné sur des seuils de 0,50 à 0,95. Ultralytics décrit le premier comme ne tenant compte que des détections « faciles » ; le second donne une vue plus large, qui exige des boîtes plus précises.
• Matrice de confusion : le tableau des vrais et faux positifs et négatifs par classe.

Hugging Face reprend ces notions sur sa page de détection d'objets : AP, mAP, et AP à un seuil donné (AP50, AP75).

Un exemple chiffré

Exemple inventé, pour comprendre. Un détecteur de vis manquantes passe sur 200 pièces, dont 20 ont réellement une vis manquante.

• Précision = 16 / (16 + 8) = 16 / 24, soit environ 67 %.
• Rappel = 16 / (16 + 4) = 16 / 20, soit 80 %.

Le modèle trouve quatre défauts sur cinq, mais un tiers de ses alertes sont fausses. Est-ce acceptable ? Cela ne se lit pas dans les chiffres : cela dépend du coût d'un défaut qui part chez le client comparé à celui d'une pièce contrôlée à la main pour rien.

Le seuil de confiance change tout

Un détecteur renvoie un score de confiance pour chaque boîte. En relevant le seuil, vous gardez moins d'alertes : la précision monte, le rappel baisse. En l'abaissant, c'est l'inverse. Ultralytics note que des seuils de confiance peuvent réduire les fausses détections quand la précision est basse. La courbe précision-rappel montre ce compromis sur toute la plage ; l'AP en est l'aire. Choisissez le seuil de production avec la personne qui supporte les erreurs, pas à la fin du projet par défaut.

Les pièges de lecture

1. Un mAP publié n'est pas le vôtre. Ultralytics indique pour YOLO26 une précision de 40,9 à 57,5 mAP sur COCO selon la taille du modèle. COCO contient des objets courants, pas vos pièces. Mesurez sur un jeu de test qui vous ressemble.
2. Mesurer sur les images d'entraînement. Le résultat est flatteur et faux : utilisez des images que le modèle n'a jamais vues.
3. Une moyenne cache les classes faibles. Regardez l'AP de chaque classe : Ultralytics précise qu'un AP faible sur une classe la désigne comme celle à améliorer.
4. Le mAP ne mesure pas la vitesse. Pour un boîtier près de la caméra, regardez aussi le temps d'inférence (Vision en edge).
5. Un taux sans effectif. « 98 % » sur 50 images ne vaut pas « 98 % » sur 5 000. Annoncez toujours le nombre d'images de test.

Quelles métriques selon la tâche

La tâche détermine ce qu'on annote et ce qu'on mesure : voir Classification, détection, segmentation. Le détecteur sur lequel appliquer ces mesures est présenté dans Détection d'objets avec YOLO.