Precisión

Por qué es importante la precisión

Una alta precisión es esencial en aplicaciones en las que las falsas alarmas o las identificaciones positivas incorrectas pueden tener importantes consecuencias negativas. Indica que el modelo es fiable cuando predice la clase positiva. Al centrarse en minimizar los falsos positivos, los desarrolladores pueden crear sistemas de IA más fiables y eficientes.

Veamos dos ejemplos reales:

1. Diagnóstico médico: en el análisis de imágenes médicas, un modelo diseñado para la detección de tumores debe tener una gran precisión. Un falso positivo (identificación incorrecta de tejido sano como tumor) podría dar lugar a intervenciones innecesarias e invasivas, con el consiguiente sufrimiento para el paciente y el consiguiente coste económico. Dar prioridad a la precisión garantiza que cuando el modelo señale un posible tumor, tenga muchas probabilidades de acertar. Puede obtener más información sobre el papel de la IA en la asistencia sanitaria aquí.
2. Control de calidad industrial: En la industria manufacturera, los modelos de visión artificial como Ultralytics YOLO se utilizan para detectar defectos en los productos de una cadena de montaje. Un modelo de alta precisión garantiza que sólo se marquen y eliminen los artículos realmente defectuosos. Un modelo de baja precisión causaría falsos positivos, lo que provocaría el rechazo innecesario de productos en buen estado, lo que aumenta los residuos y los costes de producción. Una visión general de los métodos de inspección de la calidad pone de manifiesto esta necesidad.

Precisión frente a otras métricas

Es importante entender la Precisión en relación con otras métricas comunes, ya que a menudo presentan un compromiso.

• Recuperación (Sensibilidad): Mientras que la precisión se centra en la exactitud de las predicciones positivas, la recuperación mide la capacidad del modelo para encontrar todos los casos positivos reales. A menudo existe un equilibrio entre Precisión y Recuperación, ya que mejorar una puede reducir la otra. El equilibrio entre ambas puede visualizarse mediante una curva Precisión-Recuperación.
• Precisión: La precisión mide el número total de predicciones correctas (tanto positivas como negativas) de todas las predicciones realizadas. Puede ser una métrica engañosa para conjuntos de datos desequilibrados en los que una clase supera ampliamente a la otra. Por ejemplo, un modelo puede alcanzar una precisión del 99% prediciendo siempre la clase mayoritaria, pero tener una precisión terrible para la clase minoritaria.
• Puntuación F1: La puntuación F1 es la media armónica de Precision y Recall, y proporciona una única métrica que equilibra ambas. Resulta útil cuando se necesita encontrar una combinación óptima que minimice los falsos positivos y los falsos negativos.
• Puntuación de confianza: La puntuación de confianza es un resultado para una predicción individual, que representa la creencia del modelo en la corrección de esa predicción específica. La precisión, por su parte, es una métrica agregada que evalúa el rendimiento del modelo en todo un conjunto de datos. Las puntuaciones de confianza de un modelo bien calibrado deberían coincidir con su precisión.

Precisión en los modelos YOLO de Ultralytics

En el contexto de la visión por ordenador (VC), especialmente en modelos de detección de objetos como Ultralytics YOLO, la precisión es un indicador clave del rendimiento. Mide cuántos de los cuadros delimitadores detectados identifican correctamente un objeto.

• Evaluación: La precisión suele evaluarse junto con la recuperación y métricas como la precisión media media (mAP), que tiene en cuenta tanto la precisión como la recuperación en diferentes umbrales de confianza. Encontrará explicaciones detalladas en la guía de métricas de rendimiento de YOLO.
• Ajuste de modelos: Conocer la precisión ayuda a los desarrolladores a ajustar modelos como YOLO11 para aplicaciones específicas. Por ejemplo, en un sistema de seguridad, podría preferirse una precisión alta para evitar falsas alarmas. Este ajuste puede realizarse mediante un cuidadoso ajuste de los hiperparámetros.
• Ultralytics HUB : Plataformas como Ultralytics HUB permiten a los usuarios entrenar, validar y supervisar fácilmente el rendimiento de los modelos, realizando un seguimiento de la precisión y otras métricas vitales a lo largo del ciclo de vida del desarrollo. Esto ayuda a evaluar y ajustar los modelos. El rendimiento de diferentes modelos, incluida su precisión, puede compararse utilizando recursos como las páginas de comparación de modelos de Ultralytics. Los modelos YOLO11 Enterprise de Ultralytics suelen optimizarse para obtener una mayor precisión en aplicaciones comerciales.

Optimizar la precisión permite a los desarrolladores crear sistemas de IA más fiables y dignos de confianza, especialmente cuando es primordial minimizar los falsos positivos. Puedes obtener más información sobre la creación de estos sistemas en nuestra guía sobre los pasos de un proyecto de visión artificial.