Makine öğreniminde hassasiyet konusunda uzman olun. Model doğruluğunu hesaplama ve iyileştirme, yanlış pozitifleri azaltma ve Ultralytics performansını değerlendirme yöntemlerini öğrenin.
Hassasiyet, sınıflandırma modellerinin performansını değerlendirmek için kullanılan veri biliminde temel bir ölçüttür. Model tarafından pozitif olarak tahmin edilen tüm örnekler arasından doğru pozitif tanımlamaların oranını belirleyerek pozitif tahminlerin kalitesini ölçer. Makine öğrenimi (ML) alanında hassasiyet, şu kritik soruyu yanıtlar: "Model bir nesne bulduğunu iddia ettiğinde, ne sıklıkla haklıdır?" Yüksek hassasiyet , algoritmanın çok az sayıda yanlış pozitif sonuç ürettiğini gösterir, yani sistem bir olayı işaretlediğinde veya bir öğeyi algıladığında son derece güvenilirdir. Bu ölçüt, yanlış alarmın maliyetinin yüksek olduğu ve AI ajanlarının kesin bir şekilde hareket etmesini gerektiren senaryolarda özellikle önemlidir. AI ajanlarının kesin bir şekilde hareket etmesini gerektiren senaryolarda özellikle önemlidir.
Model performansını tam olarak anlamak için, hassasiyeti ilgili istatistiksel terimlerden ayırmak önemlidir. Bu terimler gündelik konuşmalarda sıklıkla birbirinin yerine kullanılırken, bilgisayar görme (CV) ve analizinde farklı teknik anlamları vardır.
Bir sektörün özel gereksinimleri, geliştiricilerin diğer ölçütlere göre hassasiyeti öncelikli tutup tutmayacağını belirler. Yüksek hassasiyetin çok önemli olduğu somut örnekler şunlardır:
Geliştiriciler, modellerinin doğruluğunu artırmak için çeşitli stratejiler kullanabilirler. Yaygın bir yöntem, çıkarım sırasında güven eşiğini ayarlamaktır. Bir tahmini kabul etmeden önce daha yüksek bir güven puanı gerektirerek, model belirsiz tespitleri filtreler ve böylece yanlış pozitifleri azaltır.
Diğer bir teknik ise eğitim verilerinin iyileştirilmesidir. İlgi konusu nesneyi içermeyen ancak ona benzer görüntüler olan "negatif örnekler" eklemek, modelin hedefi arka plan gürültüsünden ayırt etmesini öğrenmesine yardımcı olur. Ultralytics , ekiplerin veri kümelerini düzenlemesine, model tahminlerini görselleştirmesine ve modelin zorlandığı belirli görüntüleri tanımlamasına olanak tanıyarak bu süreci basitleştirir. Ayrıca, etkili veri artırma, modeli daha çeşitli ortamlara maruz bırakarak, kafa karıştırıcı görsel öğelere karşı daha dayanıklı hale getirir.
Modern nesne algılama mimarileriyle çalışırken
YOLO26, doğruluk otomatik olarak
doğrulama aşamasında hesaplanır. Aşağıdaki Python , bir modeli yüklemeyi ve
doğruluk dahil olmak üzere performans metriklerini val Mod.
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}")
Bu iş akışında, model tahminlerini veri kümesindeki gerçek etiketlerle karşılaştırarak değerlendirir. Ortaya çıkan puan, modelin tespitlerinin ne kadar kesin olduğuna dair doğrudan bir ölçüt sağlar. Karmaşık projelerde, TensorBoard veya Ultralytics gibi araçlar aracılığıyla bu metrikleri zaman içinde izlemek, yeni veriler eklendikçe sistemin güvenilirliğini korumak için çok önemlidir. Ultralytics ,
.webp)