適合率

精度は、分類モデルの性能を評価するためにデータサイエンスで用いられる基本的な指標です。これは、モデルが陽性と予測したすべてのインスタンスのうち、真陽性として識別された割合を決定することで、陽性予測の品質を測定します。機械学習 (ML)の分野において、精度は「モデルがオブジェクトを発見したと主張するとき、それがどれくらいの頻度で正しいか？」という重要な問いに答えます。高い精度は、アルゴリズムがfalse positivesをほとんど生成しないことを示し、システムがイベントをフラグ付けしたりアイテムをdetectしたりする際に非常に信頼できることを意味します。この指標は、誤報のコストが高いシナリオ、つまりAI agentsが確実に行動することが求められる場合に特に重要です。

精度 (Precision)、再現率 (Recall)、正解率 (Accuracy) の比較

モデルの性能を完全に理解するには、precisionを関連する統計用語と区別することが不可欠です。これらは日常会話ではしばしば互換的に使用されますが、コンピュータービジョン (CV)および分析においては明確な技術的意味を持ちます。

• 適合率 vs. 再現率: これら2つの指標はしばしばトレードオフの関係にあります。precisionが陽性予測の正確さに焦点を当てる一方で、Recall（感度とも呼ばれる）は、データセット内のすべての関連インスタンスを見つけるモデルの能力を測定します。precisionのみに最適化されたモデルは、捕捉したすべてが正しいことを保証するために、一部の物体を見逃す可能性があります（再現率が低い）。逆に、高い再現率は見逃しが少ないことを保証しますが、より多くの誤報につながる可能性があります。F1スコアは、両方の調和平均を計算するためによく使用され、バランスの取れた見方を提供します。
• 精度 vs. 正確度: 正確度とは、正しい予測（陽性と陰性の両方）の総予測数に対する比率です。しかし、不均衡なデータセットでは正確度が誤解を招く可能性があります。例えば、取引の99%が正当である不正detectシステムにおいて、常に「正当」と予測するだけのモデルは99%正確ですが、不正detectに対するprecisionはゼロになります。

実際のアプリケーション

業界の特定の要件は、開発者が他のメトリクスよりも精度を優先するかどうかを決定することがよくあります。以下に、高精度が最重要となる具体的な例を挙げます。

• 小売ロス防止: 小売AIでは、自動チェックアウトシステムがオブジェクト検出を使用してアイテムを識別します。システムの精度が低い場合、顧客の私物を盗品として誤ってフラグ付けする可能性があり（誤検知）、これは顧客体験の悪化と潜在的な法的問題につながります。高い精度は、盗難の可能性が非常に高い場合にのみセキュリティが警告されることを保証し、セキュリティアラームシステムへの信頼を維持します。
• 製造品質管理: スマートマニュファクチャリングにおいて、ビジョンシステムは組立ラインの欠陥を検査します。低精度のモデルは、機能する部品を欠陥品としてclassifyし、不必要に廃棄される可能性があります。この無駄はコストを増加させ、効率を低下させます。高精度にチューニングすることで、メーカーは真に欠陥のあるアイテムのみが除去されることを保証し、生産ラインを最適化します。Ultralytics YOLO26が誤った拒否を減らすことで、これらの産業タスクにどのように役立つかを探ることができます。

コンピュータービジョンにおける精度改善

開発者は、モデルの精度を向上させるためにいくつかの戦略を採用できます。一般的な方法の1つは、推論中にconfidenceしきい値を調整することです。予測を受け入れる前に高いconfidenceスコアを要求することで、モデルは不確実な検出を除外し、それによって誤検知を減らします。

もう一つの技術は、トレーニングデータの改良です。興味の対象となるオブジェクトを含まないが、ある程度似ている画像である「ネガティブサンプル」を追加することで、モデルはターゲットを背景ノイズから区別することを学習するのに役立ちます。Ultralytics Platformを使用することで、チームはデータセットをキュレーションし、モデルの予測を視覚化し、モデルが苦戦している特定の画像を特定できるようになり、このプロセスが簡素化されます。さらに、効果的なデータ拡張は、モデルをより多様な環境にさらし、視覚的に紛らわしい要素に対してより堅牢にします。

Ultralytics YOLOで精度（Precision）を計算する

次のような最新の物体detectアーキテクチャを扱う場合 YOLO26では、precisionは検証フェーズ中に自動的に計算されます。以下のpythonの例は、モデルをロードし、precisionを含むその性能メトリクスを取得する方法を示しています。 val モードだ。

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}")

このワークフローでは、モデルはデータセット内のグラウンドトゥルースラベルに対してその予測を評価します。その結果得られるスコアは、モデルのdetectの精度を直接的に示すベンチマークとなります。複雑なプロジェクトの場合、新しいデータが導入されてもシステムが信頼性を維持するために、TensorBoardやUltralytics Platformのようなツールを介してこれらのメトリクスを長期的に監視することが重要です。

モデル評価における関連概念

• Intersection over Union (IoU): 予測されたバウンディングボックスとグラウンドトゥルースの重なりを評価するために使用される指標です。IoUが特定のしきい値を超えた場合にのみ、detectは「真陽性」と見なされます。
• 適合率-再現率曲線: 異なるしきい値に対するprecisionとrecallをプロットした視覚化です。この曲線は、エンジニアがトレードオフを視覚化し、標準的な統計学習リソースで詳述されているように、特定のアプリケーションに最適な動作点を選択するのに役立ちます。
• 平均平均精度（mAP）：すべてのクラスとIoUしきい値にわたる平均精度を計算する包括的なメトリックです。COCOやImageNetのようなデータセットでモデルを比較するための標準的なベンチマークです。