Accuracy

L’exactitude constitue une référence fondamentale pour évaluer les systèmes d’intelligence artificielle, en quantifiant le pourcentage de prédictions correctes effectuées par un modèle par rapport au nombre total de prédictions. Dans le contexte de l’apprentissage automatique, et plus particulièrement de l’apprentissage supervisé, cette métrique fournit une vue d’ensemble de l’efficacité avec laquelle un algorithme correspond à la vérité terrain fournie pendant le processus d’entraînement. Bien qu’il s’agisse de la mesure des performances la plus intuitive — répondant à la simple question « À quelle fréquence le modèle a-t-il raison ? » — elle constitue un indicateur principal de la fiabilité d’un système avant que les développeurs ne se penchent sur des métriques plus détaillées.

Les nuances de l’évaluation des performances#

Bien que l’exactitude soit un excellent point de départ, elle est particulièrement efficace lorsqu’elle est appliquée à des données d’entraînement équilibrées, où toutes les classes sont représentées de manière égale. Par exemple, dans une tâche standard de classification d’images visant à distinguer les chats des chiens, si le jeu de données contient 500 images de chaque classe, l’exactitude est une métrique fiable. Cependant, des difficultés apparaissent avec les jeux de données déséquilibrés, ce qui conduit au « paradoxe de l’exactitude ».

Si un modèle est entraîné pour la détection des fraudes, où seulement 1 % des transactions sont frauduleuses, un modèle qui prédit simplement que chaque transaction est « légitime » atteindrait une exactitude de 99 % tout en échouant complètement dans la tâche qui lui est destinée. Pour y remédier, les ingénieurs utilisent souvent l’Ultralytics Platform afin de visualiser la répartition du jeu de données et de s’assurer que les modèles ne mémorisent pas simplement la classe majoritaire.

Distinguer l’exactitude des termes associés#

Pour comprendre pleinement les performances d’un modèle, il est essentiel de différencier l’exactitude des métriques similaires :

• Précision : cette métrique mesure la qualité des prédictions positives. Elle pose la question suivante : « Parmi toutes les instances prédites comme positives, combien l’étaient réellement ? »
• Rappel : également appelé sensibilité, il mesure la capacité du modèle à trouver tous les cas pertinents. Il pose la question suivante : « Parmi toutes les instances réellement positives, combien le modèle a-t-il correctement identifiées ? »
• Score F1 : il s’agit de la moyenne harmonique de la précision et du rappel, fournissant un score unique qui équilibre les deux, ce qui est particulièrement utile lorsque la répartition des classes est inégale.

Alors que l’exactitude fournit une vue globale de la justesse des prédictions, la précision et le rappel offrent des informations sur des types d’erreurs spécifiques, comme les faux positifs ou les faux négatifs.

Applications concrètes#

L’utilité de l’exactitude s’étend à divers secteurs, en validant la fiabilité de la vision par ordinateur et des modèles prédictifs dans des environnements critiques.

• Diagnostic médical : dans le domaine de l’analyse d’images médicales, les modèles sont utilisés pour classer des radiographies ou des scanners IRM. Un modèle classant les examens comme « sains » ou « pathologiques » s’appuie sur une exactitude élevée afin de garantir que les patients reçoivent des diagnostics corrects. Les innovations en matière d’intelligence artificielle dans le domaine de la santé dépendent fortement d’une validation rigoureuse visant à réduire au minimum les erreurs automatisées.
• Contrôle qualité dans l’industrie manufacturière : les systèmes automatisés de fabrication intelligente utilisent l’inspection visuelle pour identifier les défauts sur les chaînes de montage. Une exactitude élevée garantit que seuls les produits exempts de défauts sont expédiés, réduisant ainsi les déchets et les coûts liés aux garanties. En utilisant la détection d’objets pour repérer les défauts, les usines maintiennent automatiquement les standards de production.

Mesurer l’exactitude dans le code#

Dans des scénarios pratiques utilisant Python, les développeurs peuvent facilement mesurer l’exactitude d’un modèle à l’aide de bibliothèques établies. L’exemple suivant montre comment valider un modèle de classification YOLO26 afin d’obtenir son exactitude top-1. L’exactitude top-1 désigne la fréquence à laquelle la prédiction ayant la probabilité la plus élevée du modèle correspond à l’étiquette correcte.

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}")

Stratégies d’amélioration#

Lorsqu’un modèle souffre d’une faible exactitude, plusieurs techniques peuvent être utilisées pour améliorer ses performances. Les ingénieurs ont souvent recours à l’augmentation des données pour accroître artificiellement la diversité de l’ensemble d’entraînement et empêcher le modèle de subir un surapprentissage. De plus, l’ajustement des hyperparamètres — qui consiste à modifier des paramètres tels que le taux d’apprentissage — peut avoir une incidence considérable sur la convergence. Pour les tâches complexes, l’apprentissage par transfert permet à un modèle d’exploiter les connaissances d’un vaste jeu de données préentraîné, comme ImageNet, afin d’atteindre une exactitude supérieure sur un jeu de données plus petit et spécifique.