Precisão

Porque é que a precisão é importante

Uma precisão elevada é essencial em aplicações em que os falsos alarmes ou as identificações positivas incorrectas podem ter consequências negativas significativas. Indica que o modelo é fiável quando prevê a classe positiva. Ao concentrarem-se em minimizar os falsos positivos, os programadores podem criar sistemas de IA mais fiáveis e eficientes.

Considere estes dois exemplos do mundo real:

1. Diagnóstico médico: Na análise de imagens médicas, um modelo concebido para a deteção de tumores deve ter uma elevada precisão. Um falso positivo (identificação incorrecta de tecido saudável como um tumor) pode levar a procedimentos desnecessários e invasivos, causando grande sofrimento ao paciente e custos financeiros. Dar prioridade à precisão garante que, quando o modelo assinala um potencial tumor, é muito provável que esteja correto. Pode explorar mais sobre o papel da IA nos cuidados de saúde aqui.
2. Controlo de qualidade industrial: No fabrico, os modelos de visão por computador como o Ultralytics YOLO são utilizados para detetar defeitos em produtos numa linha de montagem. Um modelo de elevada precisão assegura que apenas os itens genuinamente defeituosos são assinalados e removidos. Um modelo com baixa precisão causaria falsos positivos, levando à rejeição desnecessária de produtos bons, o que aumenta o desperdício e os custos de produção. Uma visão geral dos métodos de inspeção da qualidade realça esta necessidade.

Precisão vs. outras métricas

É importante compreender a precisão em relação a outras métricas comuns, uma vez que estas apresentam frequentemente um compromisso.

• Recuperação (Sensibilidade): Enquanto a precisão se centra na correção das previsões positivas, a recuperação mede a capacidade do modelo para encontrar todas as instâncias positivas reais. Existe frequentemente um compromisso entre a precisão e a recuperação; melhorar uma pode diminuir a outra. O equilíbrio entre eles pode ser visualizado através de uma curva Precisão-Recall.
• Exatidão: A exatidão mede o número total de previsões corretas (tanto positivas como negativas) de todas as previsões efectuadas. Pode ser uma métrica enganadora para conjuntos de dados desequilibrados em que uma classe supera largamente a outra. Por exemplo, um modelo pode atingir 99% de exatidão ao prever sempre a classe maioritária, mas ter uma precisão terrível para a classe minoritária.
• Pontuação F1: O F1-Score é a média harmónica de Precisão e Recuperação, fornecendo uma única métrica que equilibra ambas. É útil quando é necessário encontrar uma combinação óptima para minimizar os falsos positivos e os falsos negativos.
• Pontuação de confiança: A pontuação de confiança é um resultado para uma previsão individual, representando a crença do modelo na correção dessa previsão específica. A precisão, por outro lado, é uma métrica agregada que avalia o desempenho do modelo em todo um conjunto de dados. As pontuações de confiança de um modelo bem calibrado devem estar alinhadas com a sua precisão.

Precisão nos modelos YOLO da Ultralytics

No contexto da visão por computador (CV), particularmente em modelos de deteção de objectos como o Ultralytics YOLO, a precisão é um indicador de desempenho fundamental. Mede quantas das caixas delimitadoras detectadas identificam corretamente um objeto.

• Avaliação: A precisão é normalmente avaliada juntamente com a recuperação e métricas como a precisão média (mAP), que considera a precisão e a recuperação em diferentes limites de confiança. É possível encontrar explicações detalhadas no guia de métricas de desempenho do YOLO.
• Afinação de modelos: A compreensão da precisão ajuda os programadores a afinar modelos como o YOLO11 para aplicações específicas. Por exemplo, num sistema de segurança, pode preferir-se uma precisão elevada para evitar falsos alarmes. Esta afinação pode ser gerida através de uma afinação cuidadosa dos hiperparâmetros.
• Ultralytics HUB: Plataformas como o Ultralytics HUB permitem aos utilizadores treinar, validar e monitorizar facilmente o desempenho do modelo, acompanhando a precisão e outras métricas vitais ao longo do ciclo de vida do desenvolvimento. Isso ajuda na avaliação e no ajuste fino do modelo. O desempenho de diferentes modelos, incluindo a sua precisão, pode ser comparado utilizando recursos como as páginas de comparação de modelos do Ultralytics. Os modelos Ultralytics YOLO11 Enterprise são frequentemente optimizados para uma maior precisão em aplicações comerciais.

A otimização da precisão permite que os programadores criem sistemas de IA mais fiáveis e dignos de confiança, especialmente quando a minimização de falsos positivos é fundamental. Pode explorar mais sobre a construção destes sistemas no nosso guia sobre os passos de um projeto de visão computacional.