Confidence

درجة الثقة هي قيمة بين 0 و1 يرفقها النموذج بالتنبؤ للتعبير عن مدى احتمال صحته. يرفق المصنّفون درجة ثقة بكل تسمية فئة، وترفق نماذج اكتشاف الكائنات درجة ثقة بكل صندوق محيط، للإجابة عن سؤال أضيق: ما احتمال أن يحتوي هذا الصندوق على كائن من هذه الفئة؟ وتستخدم التطبيقات درجة الثقة لتحديد التنبؤات التي تحتفظ بها، وترتيبها، وتلك التي تحيلها إلى شخص لمراجعتها.

كيف تنتج النماذج درجات الثقة#

تأتي درجة الثقة من الطبقة الأخيرة في الشبكة. ويمرر المصنّف أحادي التسمية مخرجاته الخام، المسماة logits، عبر دالة softmax، التي تجعل مجموع درجات الفئات يساوي 1، ثم يُبلغ عن أعلى قيمة. وعادةً ما تطبق الكواشف دالة sigmoid على كل فئة على حدة، لذا يمكن لصندوق واحد أن يحقق درجة عالية لفئتين مترابطتين، ولا يلزم أن يكون مجموع الدرجات 1. أما الكواشف ذات مخرج مستقل لدرجة وجود الكائن، مثل YOLOv5، فضربت هذه الدرجة في احتمال الفئة. وتستغني كثير من الكواشف الخالية من صناديق الارتكاز، بما فيها نماذج YOLO الحديثة، عن درجة وجود الكائن وتستخدم أعلى درجة فئة بوصفها درجة ثقة الصندوق.

عتبات الثقة#

تحوّل عتبة الثقة الدرجات إلى قرارات: يُحتفظ بالتنبؤات التي تتجاوزها وتُستبعد البقية. يؤدي رفع العتبة إلى إزالة الإيجابيات الكاذبة وزيادة الإحكام. أما خفضها فيستعيد الأجسام الباهتة أو الصغيرة أو المحجوبة جزئيًا ويرفع الاستدعاء، على حساب زيادة الإنذارات الكاذبة. وتوازن العتبة التي تبلغ عندها منحنيات درجة F1 ذروتها بين الاثنين. يحتفظ YOLO26 افتراضيًا بالمربعات التي تتجاوز درجتها 0.25 وقت التنبؤ، بينما يخفض التحقق العتبة إلى 0.001 كي تغطي منحنيات الإحكام والاستدعاء جميع نقاط التشغيل الممكنة تقريبًا.

from ultralytics import YOLO

# Load a pretrained YOLO26 nano detector
model = YOLO("yolo26n.pt")
image = "https://ultralytics.com/images/bus.jpg"

# Run the same image at a low and a high confidence threshold
for threshold in (0.1, 0.6):
    results = model(image, conf=threshold)
    scores = results[0].boxes.conf.tolist()
    print(f"conf={threshold}: {len(scores)} boxes, scores {[round(s, 2) for s in scores]}")

يعيد التشغيل عند 0.1 كل الصناديق التي أعادها التشغيل عند 0.6، إضافةً إلى أي مرشحات أضعف، لذا لا يؤدي رفع العتبة إلا إلى إزالة الاكتشافات، بدءًا بالأقل يقينًا.

استخدام الثقة في التطبيقات#

تستخدم أنظمة كثيرة عتبتين. تُستبعد التنبؤات التي تقل عن حد منخفض، وتؤدي التنبؤات التي تتجاوز حدًا مرتفعًا إلى إجراء تلقائي، بينما تُحال التنبؤات الواقعة بين الحدين إلى شخص أو نموذج ثانٍ أو مستشعر آخر. ويمكن لأداة فحص طبي الإشارة فورًا إلى النتائج عالية الثقة وإحالة النتائج غير المؤكدة إلى اختصاصي أشعة، كما يمكن لحلقة التعلّم النشط إرسال التنبؤات غير المؤكدة إلى القائمين على التعليق، وهي استراتيجية تُسمى أخذ عينات عدم اليقين.

الثقة والمعايرة#

لا تكون الدرجة 0.9 احتمالًا يمكن الاعتماد عليه إلا إذا كان النموذج معايرًا، أي إن نحو 90% من جميع التنبؤات التي حصلت على الدرجة 0.9 تكون صحيحة. تميل الشبكات العميقة الحديثة إلى المبالغة في الثقة، فتكون درجاتها أعلى من معدل إصابتها الفعلي. ويصحح تحجيم درجة الحرارة جانبًا كبيرًا من ذلك بقسمة القيم اللوجيتية على ثابت واحد يُلائم باستخدام بيانات محجوبة، كما تلائم أدوات المعايرة في scikit-learn تحويلات بلات (سيغمويد) أو تحويلات رتيبة تزايدية، وترسم منحنيات الموثوقية. تكتسب المعايرة أهميتها كلما قُرئت الدرجة على أنها احتمال، مثل حدٍّ فاصل للمخاطر. أما مقاييس الترتيب مثل متوسط الدقة المتوسطة (mAP) فتعتمد على ترتيب الدرجات فقط.

الثقة والمصطلحات ذات الصلة#

• الدقة: معدل صحة التنبؤات على مستوى مجموعة البيانات. في النموذج المعاير، يساوي متوسط الثقة الدقة.
• فترات الثقة الإحصائية: مفهوم مختلف يشترك معها في الاسم. يصف مستوى ثقة قدره 95% مدى تكرار احتواء إجراء إنشاء الفترات على قيمة حقيقية عبر عينات متكررة.
• التنبؤ المطابق: يحوّل الدرجات الخام إلى مجموعات تنبؤ ذات ضمان تغطية، بحيث تحتوي المجموعة، عند استهداف 90%، على التصنيف الحقيقي في 90% على الأقل من الحالات ضمن البيانات القابلة للتبادل.