Accuracy

L'exactitude sert de référence fondamentale dans l'évaluation des systèmes d'intelligence artificielle, en quantifiant le pourcentage de prédictions correctes qu'un modèle réalise par rapport au nombre total de prédictions. Dans le contexte de l'apprentissage automatique et plus particulièrement de l'apprentissage supervisé, cette métrique offre un aperçu global de la façon dont un algorithme s'aligne efficacement sur la vérité terrain fournie pendant le processus d'entraînement. Bien qu'elle soit la mesure de performance la plus intuitive — répondant à la question simple : « À quelle fréquence le modèle a-t-il raison ? » —, elle agit comme un indicateur principal de la fiabilité d'un système avant que les développeurs ne plongent dans des métriques plus granulaires.

La nuance dans l'évaluation des performances#

Bien que l'exactitude soit un excellent point de départ, elle est plus 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 distinguant les chats des chiens, si le jeu de données contient 500 images de chaque, l'exactitude est une métrique digne de confiance. Cependant, des défis surgissent avec les jeux de données déséquilibrés, conduisant 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 chaque transaction comme « légitime » atteindrait une exactitude de 99 % tout en échouant complètement dans sa tâche prévue. Pour atténuer cela, les ingénieurs utilisent souvent l'Ultralytics Platform pour visualiser la distribution du jeu de données et s'assurer que les modèles ne se contentent pas de mémoriser la classe majoritaire.

Distinguer la précision des termes associés#

Pour bien comprendre les performances d'un modèle, il est crucial de différencier la précision de métriques similaires :

• Précision : Cela mesure la qualité des prédictions positives. La question posée est : « Sur toutes les instances prédites comme positives, combien l'étaient réellement ? »
• Rappel : Également connu sous le nom de sensibilité, cela mesure la capacité du modèle à trouver tous les cas pertinents. La question posée est : « Sur toutes les instances positives réelles, combien le modèle en a-t-il identifié correctement ? »
• 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 pour les distributions de classes inégales.

Alors que la précision fournit une vue globale de l'exactitude, la précision et le rappel offrent des aperçus sur des types d'erreurs spécifiques, tels que les faux positifs ou les faux négatifs.

Applications concrètes#

L'utilité de l'exactitude s'étend à diverses industries, validant la fiabilité de la vision par ordinateur et des modèles prédictifs dans des environnements critiques.

• Diagnostics médicaux : Dans le domaine de l'analyse d'images médicales, les modèles sont utilisés pour classifier des radiographies ou des examens d'IRM. Un modèle classifiant les examens comme « sains » ou « pathologiques » s'appuie sur une exactitude élevée pour garantir que les patients reçoivent des diagnostics corrects. Les innovations en matière d'IA dans la santé dépendent fortement d'une validation rigoureuse pour minimiser les erreurs automatisées.
• Contrôle qualité dans la fabrication : Les systèmes automatisés dans la fabrication intelligente utilisent l'inspection visuelle pour identifier les défauts sur les lignes d'assemblage. Une exactitude élevée garantit que seuls les produits sans défaut sont expédiés, réduisant ainsi le gaspillage et les coûts de garantie. En employant la détection d'objets pour repérer les défauts, les usines maintiennent automatiquement les normes de production.

Mesurer la précision 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 pour obtenir son exactitude top-1. L'exactitude top-1 fait référence à la fréquence à laquelle la prédiction de plus haute probabilité du modèle correspond à la bonne étiquette.

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 pour l'amélioration#

Lorsqu'un modèle souffre d'une faible exactitude, plusieurs techniques peuvent être employées pour améliorer les performances. Les ingénieurs utilisent souvent l'augmentation des données pour augmenter artificiellement la diversité du jeu d'entraînement, empêchant ainsi le modèle de faire du surapprentissage. De plus, le réglage des hyperparamètres — en ajustant des paramètres tels que le taux d'apprentissage — peut avoir un impact significatif sur la convergence. Pour les tâches complexes, l'apprentissage par transfert permet à un modèle de tirer parti des connaissances d'un grand jeu de données pré-entraîné (comme ImageNet) pour atteindre une exactitude plus élevée sur un jeu de données plus petit et spécifique.