الدقة

الدقة هي مقياس أساسي في علم البيانات يستخدم لتقييم أداء نماذج التصنيف. وهي تقيس جودة التنبؤات الإيجابية من خلال تحديد نسبة التحديدات الإيجابية الصحيحة من بين جميع الحالات التي تنبأ النموذج بأنها إيجابية. في مجال التعلم الآلي (ML)، تجيب الدقة على السؤال الحاسم: "عندما يدعي النموذج أنه عثر على كائن، ما مدى صحة ذلك؟" تشير الدقة العالية أن الخوارزمية تنتج عددًا قليلاً جدًا من النتائج الإيجابية الخاطئة، مما يعني أن النظام موثوق به للغاية عندما يحدد حدثًا أو يكتشف عنصرًا. هذا المقياس مهم بشكل خاص في السيناريوهات التي تكون فيها تكلفة الإنذار الكاذب عالية، مما يتطلب من وكلاء الذكاء الاصطناعي التصرف بثقة.

التمييز بين الدقة والاسترجاع والصحة

لفهم أداء النموذج بشكل كامل، من الضروري التمييز بين الدقة والمصطلحات الإحصائية ذات الصلة. على الرغم من أنها غالبًا ما تستخدم بالتبادل في المحادثات العادية، إلا أن لها معاني تقنية متميزة في الرؤية الحاسوبية (CV) والتحليل.

• الدقة مقابل الاسترجاع: غالبًا ما يوجد تبادل بين هذين المقياسين. بينما تركز الدقة على دقة التنبؤات الإيجابية، يقيس الاسترجاع (المعروف أيضًا باسم الحساسية) قدرة النموذج على العثور على جميع الحالات ذات الصلة في مجموعة البيانات. قد يفوت النموذج الذي تم تحسينه من أجل الدقة فقط بعض الكائنات (استرجاع أقل) لضمان صحة كل ما يلتقطه. وعلى العكس، يضمن الاسترجاع العالي عدم فقدان سوى عدد قليل من العناصر، ولكنه قد يؤدي إلى المزيد من الإنذارات الكاذبة. غالبًا ما يستخدم مقياس F1 لحساب المتوسط التوافقي لكليهما، مما يوفر رؤية متوازنة.
• الدقة مقابل الصحة: الصحة هي نسبة التوقعات الصحيحة (الإيجابية والسلبية) إلى إجمالي عدد التوقعات. ومع ذلك، يمكن أن تكون الدقة مضللة في مجموعات البيانات غير المتوازنة. على سبيل المثال، في نظام الكشف عن الاحتيال حيث 99٪ من المعاملات مشروعة، فإن النموذج الذي يتنبأ ببساطة بـ "مشروع" في كل مرة سيكون دقيقًا بنسبة 99٪ ولكنه سيكون بدون دقة في الكشف عن الاحتيال.

تطبيقات واقعية

غالبًا ما تحدد المتطلبات المحددة لقطاع صناعي ما إذا كان المطورون يفضلون الدقة على المقاييس الأخرى. فيما يلي أمثلة محددة على الحالات التي تكون فيها الدقة العالية أمرًا بالغ الأهمية:

• منع الخسائر في تجارة التجزئة: في الذكاء الاصطناعي في تجارة التجزئة، تستخدم أنظمة الدفع الآلي اكتشاف الأجسام لتحديد العناصر. إذا كان النظام منخفض الدقة، فقد يخطئ في تحديد حقيبة شخصية للعميل على أنها عنصر مسروق (إيجابية كاذبة). وهذا يؤدي إلى تجارب سلبية للعملاء ومشاكل قانونية محتملة. تضمن الدقة العالية أن يتم تنبيه الأمن فقط عندما يكون هناك احتمال كبير للسرقة، مما يحافظ على الثقة في نظام الإنذار الأمني.
• مراقبة جودة التصنيع: في التصنيع الذكي، تقوم أنظمة الرؤية بفحص خطوط التجميع بحثًا عن العيوب. قد classify النموذج ذو الدقة المنخفضة الأجزاء classify على أنها معيبة، مما يؤدي إلى إتلافها دون داعٍ. يؤدي هذا الهدر إلى زيادة التكاليف وتقليل الكفاءة. من خلال ضبط الدقة العالية، يضمن المصنعون إزالة العناصر المعيبة فقط، مما يؤدي إلى تحسين خط الإنتاج. يمكنك استكشاف كيف يساعد Ultralytics YOLO26 في هذه المهام الصناعية من خلال تقليل حالات الرفض الخاطئة.

تحسين الدقة في الرؤية الحاسوبية

يمكن للمطورين استخدام عدة استراتيجيات لتحسين دقة نماذجهم. إحدى الطرق الشائعة هي تعديل عتبة الثقة أثناء الاستدلال. من خلال طلب درجة ثقة أعلى قبل قبول التنبؤ، يقوم النموذج بتصفية الاكتشافات غير المؤكدة، وبالتالي تقليل النتائج الإيجابية الخاطئة.

تتضمن تقنية أخرى تحسين بيانات التدريب. تساعد إضافة "عينات سلبية" — صور لا تحتوي على الكائن المطلوب ولكنها تشبهه إلى حد ما — النموذج على تعلم التمييز بين الهدف والضوضاء الخلفية. يستخدم Ultralytics لتبسيط هذه العملية من خلال السماح للفرق بتنظيم مجموعات البيانات وتصور تنبؤات النموذج وتحديد الصور المحددة التي يواجه النموذج صعوبة في التعامل معها. بالإضافة إلى ذلك، يمكن أن يؤدي زيادة البيانات بشكل فعال إلى تعريض النموذج لبيئات أكثر تنوعًا، مما يجعله أكثر قوة في مواجهة العناصر المرئية المربكة.

حساب الدقة باستخدام Ultralytics YOLO

عند العمل مع بنى حديثة للكشف عن الأجسام مثل يولو26، يتم حساب الدقة تلقائيًا أثناء مرحلة التحقق من الصحة. يوضح Python التالي Python كيفية تحميل نموذج واسترداد مقاييس أدائه، بما في ذلك الدقة، باستخدام val الوضع.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Validate the model on the COCO8 dataset to calculate metrics
metrics = model.val(data="coco8.yaml")

# Access and print the mean Precision (P) score
# The results dictionary contains keys for various metrics
print(f"Mean Precision: {metrics.results_dict['metrics/precision(B)']:.4f}")

في سير العمل هذا، يقوم النموذج بتقييم تنبؤاته مقابل تصنيفات الحقيقة الأساسية في مجموعة البيانات. توفر النتيجة النهائية مقياسًا مباشرًا لمدى دقة اكتشافات النموذج. بالنسبة للمشاريع المعقدة، فإن مراقبة هذه المقاييس بمرور الوقت عبر أدوات مثل TensorBoard أو Ultralytics أمر بالغ الأهمية لضمان بقاء النظام موثوقًا عند إدخال بيانات جديدة.

المفاهيم ذات الصلة في تقييم النموذج

• تقاطع الاتحاد (IoU): مقياس يستخدم لتقييم التداخل بين المربع المحيط المتوقع والحقيقة الأساسية. لا يعتبر الكشف "إيجابيًا حقيقيًا" إلا إذا كان IoU يتجاوز عتبة معينة.
• منحنى الدقة والاسترجاع: تصور بياني يرسم الدقة مقابل الاسترجاع لعتبات مختلفة. يساعد هذا المنحنى المهندسين على تصور المفاضلة واختيار نقطة التشغيل المثلى لتطبيقاتهم المحددة، كما هو مفصل في موارد التعلم الإحصائي القياسية.
• متوسط الدقة المتوسط (mAP): مقياس شامل يحسب متوسط الدقة عبر جميع الفئات IoU . وهو المعيار القياسي لمقارنة النماذج على مجموعات البيانات مثل COCO أو ImageNet.