Độ chụm (Precision)

Độ chính xác là một chỉ số cơ bản trong khoa học dữ liệu được sử dụng để đánh giá hiệu suất của các mô hình phân loại. Nó đo lường chất lượng của các dự đoán tích cực bằng cách xác định tỷ lệ các nhận dạng đúng tích cực trên tổng số các trường hợp mà mô hình dự đoán là tích cực. Trong lĩnh vực học máy (ML) , độ chính xác trả lời câu hỏi quan trọng: "Khi mô hình tuyên bố đã tìm thấy một đối tượng, nó đúng bao nhiêu lần?" Độ chính xác cao cho thấy thuật toán tạo ra rất ít kết quả dương tính giả , có nghĩa là hệ thống rất đáng tin cậy khi nó gắn cờ một sự kiện hoặc phát hiện một mục. Chỉ số này đặc biệt quan trọng trong các trường hợp mà chi phí của một cảnh báo sai cao, đòi hỏi các tác nhân AI phải hành động một cách chắc chắn.

Phân biệt giữa Độ chính xác, Độ thu hồi và Độ đúng

Để hiểu đầy đủ hiệu suất của mô hình, điều cần thiết là phải phân biệt độ chính xác với các thuật ngữ thống kê liên quan. Mặc dù chúng thường được sử dụng thay thế cho nhau trong cuộc trò chuyện thông thường, nhưng chúng có ý nghĩa kỹ thuật riêng biệt trong thị giác máy tính (CV) và phân tích dữ liệu.

• Độ chính xác so với Độ thu hồi: Hai chỉ số này thường tồn tại trong mối quan hệ đánh đổi. Trong khi độ chính xác tập trung vào độ đúng của các dự đoán tích cực, Độ thu hồi (còn được gọi là độ nhạy) đo lường khả năng của mô hình trong việc tìm thấy tất cả các trường hợp liên quan trong tập dữ liệu. Một mô hình được tối ưu hóa hoàn toàn cho độ chính xác có thể bỏ sót một số đối tượng (độ thu hồi thấp hơn) để đảm bảo rằng mọi thứ nó tìm thấy đều chính xác. Ngược lại, độ thu hồi cao đảm bảo ít đối tượng bị bỏ sót nhưng có thể dẫn đến nhiều cảnh báo sai. Chỉ số F1 thường được sử dụng để tính trung bình điều hòa của cả hai, cung cấp một cái nhìn cân bằng.
• Độ chính xác so với Độ đúng: Độ đúng là tỷ lệ giữa số dự đoán chính xác (cả tích cực và tiêu cực) với tổng số dự đoán. Tuy nhiên, độ đúng có thể gây hiểu nhầm trong các tập dữ liệu không cân bằng . Ví dụ, trong một hệ thống phát hiện gian lận mà 99% giao dịch là hợp lệ, một mô hình chỉ đơn giản dự đoán "hợp lệ" mọi lúc sẽ có độ đúng 99% nhưng độ chính xác trong việc phát hiện gian lận lại bằng 0.

Các Ứng dụng Thực tế

Các yêu cầu cụ thể của từng ngành thường quyết định liệu các nhà phát triển có ưu tiên độ chính xác hơn các chỉ số khác hay không. Dưới đây là những ví dụ cụ thể về những trường hợp mà độ chính xác cao là tối quan trọng:

• Phòng ngừa mất mát trong bán lẻ: Trong ứng dụng AI trong bán lẻ , hệ thống thanh toán tự động sử dụng công nghệ nhận diện vật thể để xác định các mặt hàng. Nếu hệ thống có độ chính xác thấp, nó có thể nhầm lẫn đánh dấu túi xách cá nhân của khách hàng là đồ bị đánh cắp (sai sót). Điều này dẫn đến trải nghiệm tiêu cực cho khách hàng và các vấn đề pháp lý tiềm ẩn. Độ chính xác cao đảm bảo rằng hệ thống chỉ báo động khi có xác suất trộm cắp rất cao, duy trì niềm tin vào hệ thống báo động an ninh .
• Kiểm soát chất lượng sản xuất: Trong sản xuất thông minh , hệ thống thị giác kiểm tra dây chuyền lắp ráp để phát hiện lỗi. Một mô hình có độ chính xác thấp có thể... classify Các bộ phận chức năng bị đánh dấu là lỗi, dẫn đến việc phải loại bỏ chúng một cách không cần thiết. Sự lãng phí này làm tăng chi phí và giảm hiệu quả. Bằng cách tinh chỉnh để đạt độ chính xác cao, các nhà sản xuất đảm bảo rằng chỉ những mặt hàng thực sự bị lỗi mới được loại bỏ, tối ưu hóa dây chuyền sản xuất. Bạn có thể tìm hiểu cách Ultralytics YOLO26 hỗ trợ các nhiệm vụ công nghiệp này bằng cách giảm thiểu việc loại bỏ sai.

Nâng cao độ chính xác trong thị giác máy tính

Các nhà phát triển có thể áp dụng một số chiến lược để cải thiện độ chính xác của mô hình. Một phương pháp phổ biến là điều chỉnh ngưỡng độ tin cậy trong quá trình suy luận. Bằng cách yêu cầu điểm số độ tin cậy cao hơn trước khi chấp nhận dự đoán, mô hình sẽ lọc ra các phát hiện không chắc chắn, từ đó giảm thiểu sai sót dương tính giả.

Một kỹ thuật khác liên quan đến việc tinh chỉnh dữ liệu huấn luyện . Việc thêm "mẫu âm"—những hình ảnh không chứa đối tượng cần quan tâm nhưng trông khá giống—giúp mô hình học cách phân biệt mục tiêu với nhiễu nền. Sử dụng Nền tảng Ultralytics giúp đơn giản hóa quá trình này bằng cách cho phép các nhóm chọn lọc tập dữ liệu, trực quan hóa dự đoán của mô hình và xác định các hình ảnh cụ thể mà mô hình gặp khó khăn. Ngoài ra, việc tăng cường dữ liệu hiệu quả có thể giúp mô hình tiếp xúc với nhiều môi trường đa dạng hơn, làm cho nó mạnh mẽ hơn trước các yếu tố hình ảnh gây nhầm lẫn.

Tính toán độ chính xác với Ultralytics YOLO

Khi làm việc với các kiến ​​trúc phát hiện đối tượng hiện đại như YOLO26Độ chính xác được tính toán tự động trong giai đoạn xác thực. Tiếp theo Python Ví dụ này minh họa cách tải mô hình và truy xuất các chỉ số hiệu suất của nó, bao gồm độ chính xác, bằng cách sử dụng... val cách thức.

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}")

Trong quy trình này, mô hình đánh giá các dự đoán của nó so với các nhãn thực tế trong tập dữ liệu. Điểm số thu được cung cấp một tiêu chuẩn trực tiếp về độ chính xác của các phát hiện của mô hình. Đối với các dự án phức tạp, việc theo dõi các chỉ số này theo thời gian thông qua các công cụ như TensorBoard hoặc Nền tảng Ultralytics là rất quan trọng để đảm bảo hệ thống vẫn đáng tin cậy khi có dữ liệu mới được đưa vào.

Các khái niệm liên quan trong đánh giá mô hình

• Giao điểm trên hợp nhất ( IoU ): Một chỉ số được sử dụng để đánh giá sự chồng lấp giữa hộp giới hạn dự đoán và hộp giới hạn thực tế. Một phát hiện chỉ được coi là "dương tính thật" nếu IoU vượt quá một ngưỡng nhất định.
• Đường cong Độ chính xác-Độ thu hồi: Một hình ảnh trực quan thể hiện mối quan hệ giữa độ chính xác và độ thu hồi cho các ngưỡng khác nhau. Đường cong này giúp các kỹ sư hình dung sự đánh đổi và lựa chọn điểm vận hành tối ưu cho ứng dụng cụ thể của họ, như được trình bày chi tiết trong các tài liệu học tập thống kê tiêu chuẩn.
• Độ chính xác trung bình ( mAP ): Một chỉ số toàn diện tính toán độ chính xác trung bình trên tất cả các lớp và IoU Ngưỡng. Đây là tiêu chuẩn tham chiếu để so sánh các mô hình trên các tập dữ liệu như COCO hoặc ImageNet .