Accuracy

تُعد الدقة معياراً أساسياً في تقييم أنظمة الذكاء الاصطناعي، حيث تقيس النسبة المئوية للتوقعات الصحيحة التي يقدمها النموذج مقارنة بالعدد الإجمالي للتوقعات. وفي سياق تعلم الآلة وتحديداً التعلم المُشرف عليه، يوفر هذا المقياس نظرة عامة رفيعة المستوى حول مدى توافق الخوارزمية مع الحقيقة الأرضية المقدمة أثناء عملية التدريب. وعلى الرغم من أنه المقياس الأكثر بديهية للأداء—حيث يجيب على السؤال البسيط: "كم مرة يكون النموذج على صواب؟"—إلا أنه يعمل كمؤشر أولي لموثوقية النظام قبل أن يتعمق المطورون في مقاييس أكثر تفصيلاً.

Link to this sectionفروق دقيقة في تقييم الأداء#

بينما تُعد الدقة نقطة انطلاق ممتازة، فإنها تكون أكثر فعالية عند تطبيقها على بيانات تدريب متوازنة حيث يتم تمثيل جميع الفئات بالتساوي. على سبيل المثال، في مهمة قياسية لـ تصنيف الصور للتمييز بين القطط والكلاب، إذا كانت مجموعة البيانات تحتوي على 500 صورة لكل منهما، فإن الدقة تُعد مقياساً جديراً بالثقة. ومع ذلك، تنشأ تحديات مع مجموعات البيانات غير المتوازنة، مما يؤدي إلى ما يسمى "مفارقة الدقة".

إذا تم تدريب نموذج لـ كشف الاحتيال حيث تكون 1% فقط من المعاملات احتيالية، فإن النموذج الذي يتوقع ببساطة أن كل معاملة "شرعية" سيحقق دقة بنسبة 99% بينما يفشل تماماً في مهمته المقصودة. للتخفيف من ذلك، يستخدم المهندسون غالباً Ultralytics Platform لتصور توزيع مجموعة البيانات والتأكد من أن النماذج لا تقوم فقط بحفظ الفئة الأكثر شيوعاً.

Link to this sectionتمييز الدقة عن المصطلحات ذات الصلة#

لفهم أداء النموذج بشكل كامل، من الضروري التمييز بين الدقة والمقاييس المماثلة:

• الدقة (Precision): تقيس جودة التوقعات الإيجابية. وهي تطرح السؤال: "من بين جميع الحالات التي تم توقعها كإيجابية، كم عدد الحالات التي كانت إيجابية بالفعل؟"
• الاستدعاء (Recall): يُعرف أيضاً بالحساسية، ويقيس قدرة النموذج على العثور على جميع الحالات ذات الصلة. ويطرح السؤال: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات التي حددها النموذج بشكل صحيح؟"
• مقياس F1-Score: هو المتوسط التوافقي للدقة والاستدعاء، ويوفر درجة واحدة توازن بينهما، وهو مفيد بشكل خاص لتوزيعات الفئات غير المتساوية.

في حين توفر الدقة رؤية شاملة للصحة، تقدم الدقة (Precision) والاستدعاء (Recall) رؤى حول أنواع محددة من الأخطاء، مثل الإيجابيات الكاذبة أو السلبيات الكاذبة.

Link to this sectionتطبيقات العالم الحقيقي#

تمتد فائدة الدقة عبر مختلف الصناعات، مما يؤكد موثوقية الرؤية الحاسوبية والنماذج التنبؤية في البيئات الحرجة.

• التشخيص الطبي: في مجال تحليل الصور الطبية، تُستخدم النماذج لتصنيف صور الأشعة السينية أو الرنين المغناطيسي. يعتمد النموذج الذي يصنف الفحوصات كـ "سليمة" أو "مرضية" على دقة عالية لضمان حصول المرضى على تشخيصات صحيحة. تعتمد الابتكارات في الذكاء الاصطناعي في الرعاية الصحية بشكل كبير على التحقق الصارم لتقليل الأخطاء المؤتمتة.
• مراقبة الجودة في التصنيع: تستخدم الأنظمة المؤتمتة في التصنيع الذكي الفحص البصري لتحديد العيوب في خطوط التجميع. تضمن الدقة العالية شحن المنتجات الخالية من العيوب فقط، مما يقلل من الهدر وتكاليف الضمان. من خلال توظيف كشف الكائنات لرصد العيوب، تحافظ المصانع على معايير الإنتاج تلقائياً.

Link to this sectionقياس الدقة في الكود#

في السيناريوهات العملية التي تستخدم Python، يمكن للمطورين قياس دقة النموذج بسهولة باستخدام مكتبات راسخة. يوضح المثال التالي كيفية التحقق من صحة نموذج تصنيف YOLO26 للحصول على دقة Top-1 الخاصة به. تشير دقة Top-1 إلى التكرار الذي يتطابق فيه التوقع ذو الاحتمالية الأعلى للنموذج مع التصنيف الصحيح.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

Link to this sectionاستراتيجيات التحسين#

عندما يعاني النموذج من انخفاض في الدقة، يمكن استخدام عدة تقنيات لتعزيز الأداء. غالباً ما يستخدم المهندسون تعزيز البيانات لزيادة تنوع مجموعة التدريب بشكل مصطنع، مما يمنع النموذج من الإفراط في التخصيص (overfitting). بالإضافة إلى ذلك، فإن ضبط المعلمات الفائقة—تعديل الإعدادات مثل معدل التعلم—يمكن أن يؤثر بشكل كبير على التقارب. بالنسبة للمهام المعقدة، يسمح التعلم بالنقل للنموذج بالاستفادة من المعرفة المستمدة من مجموعة بيانات ضخمة ومُدربة مسبقاً (مثل ImageNet) لتحقيق دقة أعلى على مجموعة بيانات أصغر ومحددة.