Precision

الدقة هي مقياس أساسي في علم البيانات يُستخدم لتقييم أداء نماذج التصنيف. وهي تقيس جودة التنبؤات الإيجابية من خلال تحديد نسبة التعريفات الإيجابية الصحيحة من جميع الحالات التي تنبأ النموذج بأنها إيجابية. في مجال التعلم الآلي (ML)، تجيب الدقة عن السؤال الحاسم: "عندما يدّعي النموذج أنه عثر على كائن، كم مرة يكون ذلك صحيحًا؟" تشير الدقة العالية إلى أن الخوارزمية تنتج عددًا قليلًا جدًا من الإيجابيات الكاذبة، ما يعني أن النظام موثوق للغاية عندما يبلّغ عن حدث أو يكتشف عنصرًا. ويكتسب هذا المقياس أهمية خاصة في السيناريوهات التي تكون فيها تكلفة الإنذار الكاذب مرتفعة، ما يتطلب من وكلاء الذكاء الاصطناعي التصرف بيقين.

التمييز بين الدقة والاستدعاء والدقة الكلية#

لفهم أداء النموذج فهمًا كاملًا، من الضروري التمييز بين الدقة والمصطلحات الإحصائية ذات الصلة. وعلى الرغم من استخدامها غالبًا بالتبادل في المحادثات غير الرسمية، فإن لها معاني تقنية متميزة في الرؤية الحاسوبية (CV) والتحليل.

• الدقة مقابل الاستدعاء: غالبًا ما توجد هاتان الوحدتان في علاقة مفاضلة. فبينما تركز الدقة على صحة التنبؤات الإيجابية، يقيس الاستدعاء (المعروف أيضًا باسم الحساسية) قدرة النموذج على العثور على جميع الحالات ذات الصلة في مجموعة البيانات. قد يفوّت النموذج المُحسّن للدقة وحدها بعض الكائنات (استدعاءً أقل) لضمان صحة كل ما يلتقطه. وعلى العكس، يضمن الاستدعاء العالي تفويت عدد قليل من الكائنات، لكنه قد يؤدي إلى مزيد من الإنذارات الكاذبة. وغالبًا ما تُستخدم درجة F1 لحساب المتوسط التوافقي لكليهما، مما يوفر رؤية متوازنة.
• الدقة مقابل الدقة الكلية: الدقة الكلية هي نسبة التنبؤات الصحيحة (الإيجابية والسلبية معًا) إلى إجمالي عدد التنبؤات. ومع ذلك، قد تكون الدقة الكلية مضللة في مجموعات البيانات غير المتوازنة. فعلى سبيل المثال، في نظام كشف الاحتيال حيث تكون 99% من المعاملات مشروعة، سيحقق نموذج يتنبأ بكلمة "مشروعة" في كل مرة دقة كلية تبلغ 99%، لكنه سيحقق دقة تساوي صفرًا عند كشف الاحتيال.

التطبيقات الواقعية#

غالبًا ما تحدد المتطلبات الخاصة بكل قطاع ما إذا كان المطورون سيعطون الأولوية للدقة على المقاييس الأخرى. فيما يلي أمثلة محددة على الحالات التي تكون فيها الدقة العالية بالغة الأهمية:

• منع الخسائر في قطاع التجزئة: في الذكاء الاصطناعي في قطاع التجزئة، تستخدم أنظمة الدفع الآلي كشف الكائنات للتعرف على العناصر. فإذا كان النظام منخفض الدقة، فقد يضع علامة على حقيبة شخصية لأحد العملاء باعتبارها عنصرًا مسروقًا (إيجابية كاذبة). ويؤدي ذلك إلى تجارب سلبية للعملاء ومشكلات قانونية محتملة. وتضمن الدقة العالية تنبيه نظام إنذار الأمان فقط عندما يكون احتمال السرقة مرتفعًا جدًا، مما يحافظ على الثقة به.
• مراقبة الجودة في التصنيع: في التصنيع الذكي، تفحص أنظمة الرؤية خطوط التجميع بحثًا عن العيوب. وقد يصنّف نموذج منخفض الدقة الأجزاء السليمة على أنها معيبة، مما يؤدي إلى إتلافها دون داعٍ. ويزيد هذا الهدر التكاليف ويقلل الكفاءة. ومن خلال ضبط النموذج لتحقيق دقة عالية، يضمن المصنعون إزالة العناصر المعيبة فعلًا فقط، مما يحسّن خط الإنتاج. ويمكنك استكشاف كيفية مساعدة Ultralytics YOLO26 في هذه المهام الصناعية من خلال تقليل حالات الرفض الخاطئ.

تحسين الدقة في الرؤية الحاسوبية#

يمكن للمطورين استخدام عدة استراتيجيات لتحسين دقة نماذجهم. وتتمثل إحدى الطرق الشائعة في ضبط عتبة الثقة أثناء الاستدلال. فباشتراط درجة ثقة أعلى قبل قبول التنبؤ، يرشّح النموذج عمليات الكشف غير المؤكدة، وبذلك يقلل الإيجابيات الكاذبة.

تتضمن تقنية أخرى تحسين بيانات التدريب. إذ تساعد إضافة "عينات سلبية"—وهي صور لا تحتوي على الكائن محل الاهتمام لكنها تبدو مشابهة له إلى حد ما—النموذجَ على تعلم التمييز بين الهدف وضوضاء الخلفية. ويبسّط استخدام منصة Ultralytics هذه العملية من خلال إتاحة تنظيم مجموعات البيانات للفرق، وتصور تنبؤات النموذج، وتحديد صور معينة يواجه فيها النموذج صعوبة. بالإضافة إلى ذلك، يمكن أن تعرّض زيادة البيانات الفعالة النموذجَ لبيئات أكثر تنوعًا، مما يجعله أكثر متانة في مواجهة العناصر المرئية المربكة.

حساب الدقة باستخدام Ultralytics YOLO#

عند العمل باستخدام معماريات حديثة لكشف الكائنات مثل YOLO26، تُحسب الدقة تلقائيًا أثناء مرحلة التحقق. يوضح مثال Python التالي كيفية تحميل نموذج واسترداد مقاييس أدائه، بما في ذلك الدقة، باستخدام الوضع val.

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}")

في سير العمل هذا، يقيّم النموذج تنبؤاته مقارنةً بتسميات الحقيقة الأساسية في مجموعة البيانات. وتوفر الدرجة الناتجة معيارًا مباشرًا لمدى دقة عمليات الكشف التي يجريها النموذج. وبالنسبة إلى المشاريع المعقدة، تُعد مراقبة هذه المقاييس بمرور الوقت عبر أدوات مثل TensorBoard أو منصة Ultralytics أمرًا بالغ الأهمية لضمان بقاء النظام موثوقًا مع إدخال بيانات جديدة.

المفاهيم ذات الصلة بتقييم النموذج#

• التقاطع على الاتحاد (IoU): مقياس يُستخدم لتقييم التداخل بين المربع المحيط المتنبأ به والحقيقة الأساسية. ولا يُعد الكشف إيجابيًا حقيقيًا إلا إذا تجاوز IoU عتبة معينة.
• منحنى الدقة والاستدعاء: تمثيل مرئي يرسم الدقة مقابل الاستدعاء عند عتبات مختلفة. ويساعد هذا المنحنى المهندسين على تصور المفاضلة واختيار نقطة التشغيل المثلى لتطبيقهم المحدد، كما هو موضح في موارد التعلم الإحصائي القياسية.
• متوسط الدقة (mAP): مقياس شامل يحسب متوسط الدقة عبر جميع الفئات وعتبات IoU. وهو المعيار القياسي لمقارنة النماذج على مجموعات بيانات مثل COCO أو ImageNet.