Güven

Yapay zeka ve makine öğrenimi alanında, güven puanı, bir modelin belirli bir tahminle ilgili kesinlik düzeyini ölçen bir metriktir. Bu değer genellikle 0 ile 1 (veya %0 ile %100) arasında değişir ve algoritmanın çıktısının gerçeklerle uyuşma olasılığını temsil eder. Örneğin , bir nesne algılama görevinde, bir sistem bir görüntünün bir bölgesini 0,92 güvenilirlikle "bisiklet" olarak tanımlarsa, sınıflandırmanın doğru olma olasılığının %92 olduğunu gösterir. Bu puanlar, bir sinir ağının son katmanından elde edilir ve genellikle çok sınıflı kategorizasyon için Softmax gibi bir aktivasyon fonksiyonu veya ikili kararlar için Sigmoid fonksiyonu ile işlenir.

Çıkarsamada Güvenin Rolü

Güven puanları, çıkarım motoru iş akışının temel bir bileşenidir ve yüksek kaliteli tahminleri arka plan gürültüsünden ayırmak için bir filtre görevi görür. Eşikleme olarak bilinen bu filtreleme işlemi, geliştiricilerin bir uygulamanın hassasiyetini ayarlamasına olanak tanır. Minimum güven eşiği belirleyerek, kritik hassasiyet-geri çağırma dengesi Daha düşük bir eşik, detect nesneyi detect , ancak yanlış pozitiflerin riskini artırırken, daha yüksek bir eşik, hassasiyeti artırır, ancak ince örneklerin kaçırılmasına neden olabilir.

Ultralytics gibi gelişmiş mimarilerde, güven puanları, Non-Maximum Suppression (NMS) gibi son işlem teknikleri için çok önemlidir. NMS , bu puanları, önemli ölçüde üst üste binen gereksiz sınırlayıcı kutuları kaldırmak ve yalnızca en yüksek olasılıklı algılamayı korumak için kullanır. Bu adım, nihai çıktının temiz olmasını ve nesne sayma veya izleme gibi aşağı akış görevleri için hazır olmasını sağlar. NMS ,

Aşağıdaki Python , ultralytics Paket:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Gerçek Dünya Uygulamaları

Güven puanları, bilgisayar görme (CV) uygulanan sektörlerde vazgeçilmez bir yorumlanabilirlik katmanı sağlar. Otomatik sistemlerin ne zaman otonom olarak ilerleyeceğini ve ne zaman insan incelemesi için uyarıları tetikleyeceğini belirlemesine yardımcı olurlar.

• Otonom Sürüş: Otomotiv sektöründe yapay zeka alanında, otonom araçlar yolcu güvenliğini sağlamak için güvenilirlik ölçütlerine dayanır. Algılama sistemi düşük güvenilirlikle bir engel tespit ederse, acil manevra yapmadan önce nesnenin varlığını doğrulamak için bu veriyi LiDAR sensörleri veya radar ile karşılaştırabilir. Bu yedeklilik, gölgeler veya parlamadan kaynaklanan "hayalet frenleme"yi önlemeye yardımcı olur.
• Tıbbi Teşhis: Sağlık hizmetlerinde AI'dan yararlanırken, modeller görüntüleme verilerindeki potansiyel anormallikleri işaret ederek tıp profesyonellerine yardımcı olur. Tümör tespiti için oluşturulan bir sistem, acil teşhis için yüksek güvenilirliğe sahip bölgeleri vurgularken, daha düşük güvenilirliğe sahip tahminler ikincil analiz için kaydedilir. Bu insan döngüsü iş akışı, AI'nın uzman kararlarının yerini almadan klinik karar verme sürecini desteklemesini sağlar.
• Endüstriyel Otomasyon: Akıllı üretimde, robotik kollar montaj hatlarındaki nesnelerle etkileşim kurmak için güven puanlarını kullanır. Görsel yapay zeka ile donatılmış bir robot, algılama güveni %90'ı aştığında bir bileşeni kavramaya çalışabilir, böylece yanlış hizalama nedeniyle hassas parçaların hasar görme riskini azaltır.

Güven ile İlgili Terimleri Ayırt Etmek

Güvenilirliği, model değerlendirmesinde kullanılan diğer istatistiksel ölçütlerden ayırmak çok önemlidir. model değerlendirmesinde.

• Güvenilirlik ve Doğruluk: Doğruluk, bir modelin tüm veri seti genelinde ne sıklıkla doğru olduğunu açıklayan genel bir ölçüttür (örneğin, "Model %92 doğrudur"). Buna karşılık, güvenilirlik yerel, tahmine özgü bir değerdir (örneğin, "Model, bu belirli görüntünün bir kedi içerdiğinden %92 emin"). Bir model genel olarak yüksek doğruluğa sahip olabilir, ancak yine de sınır durumlarda düşük güvenilirlik sağlayabilir.
• Güven ve Olasılık Kalibrasyonu: Ham güven puanı her zaman gerçek doğruluk olasılığıyla uyumlu değildir. Bir model, 0,8 güvenle yapılan tahminlerin yaklaşık %80 oranında doğru olması durumunda "iyi kalibre edilmiş" olarak kabul edilir. Platt ölçekleme veya izotonikregresyon gibi teknikler, puanları ampirik olasılıklarla uyumlu hale getirmek için sıklıkla kullanılır.
• Güven ve Hassasiyet: Hassasiyet, doğru olan pozitif tanımlamaların oranını ölçer. Güven eşiğini artırmak genellikle hassasiyeti artırır, ancak bunu genellikle geri çağırma pahasına yapar. Geliştiriciler, uygulamalarının daha az nesneyi kaçırmayı mı yoksa yanlış alarmları en aza indirmeyi mi öncelikli tuttuğuna bağlı olarak bu eşiği ayarlamalıdır.

Model Güveninin Artırılması

Bir model geçerli nesneler için sürekli olarak düşük güvenilirlik çıktısı veriyorsa, bu genellikle eğitim verileri ile dağıtım ortamı arasında bir tutarsızlık olduğunu gösterir. Bunu azaltmak için kullanılan stratejiler arasında, ışıklandırma, dönüş ve gürültüyi değiştirerek veri kümesini yapay olarak genişleten veri artırma yer alır. Ayrıca, Ultralytics kullanarak aktif öğrenme boru hatları uygulamak, geliştiricilerin güvenilirliği düşük örnekleri kolayca belirlemelerine, bunları açıklamalarına ve modeli yeniden eğitmelerine olanak tanır. Bu yinelemeli döngü, dinamik, gerçek dünya ortamlarında güvenilir bir şekilde çalışabilen sağlam AI ajanları oluşturmak için hayati önem taşır.