Precision

الدقة هي مقياس أساسي في علم البيانات يُستخدم لتقييم أداء نماذج التصنيف. وهي تقيس جودة التوقعات الإيجابية من خلال تحديد نسبة التحديدات الإيجابية الصحيحة من بين جميع الحالات التي توقع النموذج أنها إيجابية. في مجال تعلم الآلة (ML)، تجيب الدقة على السؤال الجوهري: "عندما يدعي النموذج أنه وجد كائناً ما، فما مدى صحة ذلك؟". تشير الدقة العالية إلى أن الخوارزمية تنتج عدداً قليلاً جداً من الإيجابيات الكاذبة، مما يعني أن النظام جدير بالثقة للغاية عندما يقوم بتمييز حدث أو اكتشاف عنصر. يعد هذا المقياس حيوياً بشكل خاص في السيناريوهات التي تكون فيها تكلفة الإنذار الكاذب مرتفعة، مما يتطلب من وكلاء الذكاء الاصطناعي العمل بيقين.

Link to this sectionالتمييز بين الدقة، والاستدعاء، والصحة#

لفهم أداء النموذج بشكل كامل، من الضروري التمييز بين الدقة والمصطلحات الإحصائية ذات الصلة. وعلى الرغم من أنه غالباً ما يتم استخدامها بالتبادل في المحادثات العادية، إلا أن لها معاني تقنية متميزة في رؤية الحاسوب (CV) والتحليل.

• الدقة مقابل الاستدعاء: غالباً ما يوجد هذان المقياسان في علاقة مقايضة. فبينما تركز الدقة على صحة التوقعات الإيجابية، يقيس الاستدعاء (المعروف أيضاً بالحساسية) قدرة النموذج على العثور على جميع الحالات ذات الصلة في مجموعة البيانات. قد يغفل نموذج تم تحسينه من أجل الدقة فقط بعض الكائنات (استدعاء أقل) لضمان أن كل ما يعثر عليه هو صحيح بالفعل. وعلى العكس من ذلك، يضمن الاستدعاء العالي عدداً قليلاً من الكائنات الفائتة ولكنه قد يؤدي إلى المزيد من الإنذارات الكاذبة. غالباً ما يتم استخدام F1-Score لحساب المتوسط التوافقي لكليهما، مما يوفر رؤية متوازنة.
• الدقة مقابل الصحة: الصحة هي نسبة التوقعات الصحيحة (سواء كانت إيجابية أو سلبية) إلى إجمالي عدد التوقعات. ومع ذلك، يمكن أن تكون الصحة مضللة في مجموعات البيانات غير المتوازنة. على سبيل المثال، في نظام كشف الاحتيال حيث تكون 99% من المعاملات مشروعة، فإن النموذج الذي يتوقع ببساطة "مشروع" في كل مرة سيكون دقيقاً بنسبة 99% ولكنه سيكون ذا دقة صفرية في اكتشاف الاحتيال.

Link to this sectionتطبيقات العالم الحقيقي#

غالباً ما تملي المتطلبات المحددة للصناعة ما إذا كان المطورون يعطون الأولوية للدقة على المقاييس الأخرى. فيما يلي أمثلة ملموسة حيث تعتبر الدقة العالية أمراً بالغ الأهمية:

• منع الخسائر في التجزئة: في الذكاء الاصطناعي في التجزئة، تستخدم أنظمة الدفع المؤتمتة اكتشاف الكائنات لتحديد العناصر. إذا كان النظام ذا دقة منخفضة، فقد يقوم بتمييز حقيبة العميل الشخصية بشكل غير صحيح كعنصر مسروق (إيجابية كاذبة). وهذا يؤدي إلى تجارب سلبية للعملاء ومشكلات قانونية محتملة. تضمن الدقة العالية عدم تنبيه الأمن إلا عند وجود احتمالية عالية جداً للسرقة، مما يحافظ على الثقة في نظام الإنذار الأمني.
• مراقبة الجودة في التصنيع: في التصنيع الذكي، تقوم أنظمة الرؤية بفحص خطوط التجميع بحثاً عن العيوب. قد يصنف نموذج ذو دقة منخفضة الأجزاء الوظيفية على أنها معيبة، مما يتسبب في التخلص منها دون داعٍ. هذا الهدر يزيد التكاليف ويقلل الكفاءة. من خلال الضبط لتحقيق دقة عالية، يضمن المصنعون إزالة العناصر المعيبة حقاً فقط، مما يؤدي إلى تحسين خط الإنتاج. يمكنك استكشاف كيف يساعد Ultralytics YOLO26 في هذه المهام الصناعية عن طريق تقليل الرفض الخاطئ.

Link to this sectionتحسين الدقة في رؤية الحاسوب#

يمكن للمطورين توظيف العديد من الاستراتيجيات لتحسين دقة نماذجهم. إحدى الطرق الشائعة هي تعديل عتبة الثقة أثناء الاستدلال. من خلال طلب درجة ثقة أعلى قبل قبول التوقعات، يقوم النموذج بتصفية الاكتشافات غير المؤكدة، وبالتالي تقليل الإيجابيات الكاذبة.

تتضمن تقنية أخرى تحسين بيانات التدريب. إن إضافة "عينات سلبية" - وهي صور لا تحتوي على الكائن المعني ولكنها تبدو متشابهة إلى حد ما - تساعد النموذج على تعلم تمييز الهدف عن ضوضاء الخلفية. إن استخدام منصة Ultralytics يبسط هذه العملية من خلال السماح للفرق بتنظيم مجموعات البيانات، وتصور توقعات النموذج، وتحديد صور معينة يواجه فيها النموذج صعوبة. بالإضافة إلى ذلك، يمكن لـ زيادة البيانات الفعالة أن تعرض النموذج لبيئات أكثر تنوعاً، مما يجعله أكثر قوة ضد العناصر البصرية المربكة.

Link to this sectionحساب الدقة باستخدام Ultralytics YOLO#

عند العمل مع بنيات اكتشاف الكائنات الحديثة مثل YOLO26، يتم حساب الدقة تلقائياً خلال مرحلة التحقق. يوضح مثال Python التالي كيفية تحميل نموذج واسترداد مقاييس أدائه، بما في ذلك الدقة، باستخدام وضع 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، يقوم النموذج بتقييم توقعاته مقابل تسميات الحقيقة الأرضية في مجموعة البيانات. توفر النتيجة الناتجة معياراً مباشراً لمدى دقة اكتشافات النموذج. بالنسبة للمشاريع المعقدة، تعد مراقبة هذه المقاييس بمرور الوقت عبر أدوات مثل TensorBoard أو منصة Ultralytics أمراً بالغ الأهمية لضمان بقاء النظام موثوقاً به مع إدخال بيانات جديدة.

Link to this sectionمفاهيم ذات صلة في تقييم النماذج#

• التقاطع فوق الاتحاد (IoU): مقياس يُستخدم لتقييم التداخل بين صندوق الإحاطة المتوقع والحقيقة الأرضية. لا يُعتبر الاكتشاف "إيجابياً صحيحاً" إلا إذا تجاوز IoU عتبة معينة.
• منحنى الدقة-الاستدعاء: تصور رسومي يرسم الدقة مقابل الاستدعاء لعتبات مختلفة. يساعد هذا المنحنى المهندسين على تصور المقايضة واختيار نقطة التشغيل المثلى لتطبيقهم المحدد، كما هو مفصل 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 البيانات مثل COCO أو ImageNet.