Confidence

Un punteggio di confidenza è un numero compreso tra 0 e 1 che un modello associa a una previsione per indicare la probabilità che sia corretta. I classificatori ne assegnano uno a ogni etichetta di classe, mentre i modelli di rilevamento degli oggetti ne assegnano uno a ogni riquadro delimitatore, rispondendo a una domanda più specifica: qual è la probabilità che questo riquadro contenga un oggetto di questa classe? Le applicazioni usano la confidenza per decidere quali previsioni mantenere, in che ordine classificarle e quali inoltrare a una persona per la revisione.

Come i modelli producono la confidenza#

La confidenza deriva dall'ultimo strato della rete. Un classificatore a etichetta singola passa i suoi output grezzi, detti logit, alla softmax, che fa sì che i punteggi delle classi sommino a 1, e restituisce il valore più alto. I rilevatori applicano di solito una sigmoide a ogni classe in modo indipendente, quindi un riquadro può ottenere un punteggio alto per due classi correlate e i punteggi non devono necessariamente sommare a 1. I rilevatori con un output di objectness separato, come YOLOv5, lo moltiplicavano per la probabilità della classe. Molti rilevatori anchor-free, inclusi i modelli YOLO più recenti, eliminano l'objectness e usano il punteggio di classe più alto come confidenza del riquadro.

Soglie di confidenza#

Una soglia di confidenza trasforma i punteggi in decisioni: le previsioni al di sopra della soglia vengono mantenute e le altre scartate. Aumentare la soglia elimina i falsi positivi e aumenta la precisione. Abbassarla recupera gli oggetti poco visibili, piccoli o parzialmente nascosti e aumenta il richiamo, a costo di più falsi allarmi. La soglia in corrispondenza del picco della curva F1-score bilancia i due valori. Per impostazione predefinita, YOLO26 conserva in fase di predizione i riquadri con punteggio superiore a 0,25, mentre la validazione abbassa la soglia a 0,001 affinché le curve precisione-richiamo coprano quasi tutti i punti operativi possibili.

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]}")

L'esecuzione con soglia 0.1 restituisce tutti i riquadri dell'esecuzione con soglia 0.6, oltre a eventuali candidati meno sicuri; quindi alzare la soglia elimina solo rilevamenti, a partire da quelli meno certi.

Uso della confidenza nelle applicazioni#

Molti sistemi usano due soglie. Le previsioni al di sotto della soglia bassa vengono scartate, quelle al di sopra della soglia alta attivano un'azione automatica, mentre quelle nella fascia intermedia vengono inviate a una persona, a un secondo modello o a un altro sensore. Uno strumento di screening medico può segnalare subito i risultati ad alta confidenza e mettere in coda quelli incerti per un radiologo; un ciclo di apprendimento attivo invia invece la fascia incerta agli annotatori, secondo una strategia chiamata campionamento dell'incertezza.

Confidenza e calibrazione#

Un punteggio di 0.9 è una probabilità utilizzabile solo se il modello è calibrato, cioè se circa il 90% di tutte le previsioni con punteggio 0.9 è corretto. Le moderne reti profonde tendono a essere eccessivamente sicure e a produrre punteggi superiori al loro tasso reale di successi. La scalatura della temperatura corregge gran parte di questo problema dividendo i logit per una costante, stimata su dati tenuti da parte; gli strumenti di calibrazione di scikit-learn stimano inoltre trasformazioni di Platt (sigmoide) o isotone e tracciano curve di affidabilità. La calibrazione è importante ogni volta che un punteggio viene interpretato come probabilità, per esempio per stabilire una soglia di rischio. Le metriche di ordinamento, come la media della precisione media (mAP), dipendono solo dall'ordine dei punteggi.

Confidenza e termini correlati#

• Accuratezza: tasso di previsioni corrette a livello di dataset. In un modello calibrato, la confidenza media equivale all'accuratezza.
• Intervalli di confidenza statistica: un concetto diverso che condivide il nome. Un livello di confidenza del 95% descrive la frequenza con cui una procedura per costruire intervalli include un valore reale in campioni ripetuti.
• Predizione conformale: trasforma i punteggi grezzi in insiemi di predizioni con una garanzia di copertura, così che, con un obiettivo del 90%, l'insieme contenga l'etichetta corretta almeno nel 90% dei casi su dati scambiabili.