Confidence
신뢰도 점수는 예측이 정확할 가능성에 대한 모델의 0~1 추정값입니다. 객체 탐지기의 점수 계산 방식, 임계값 작동 방식, 보정이 중요한 이유를 알아봅니다.
신뢰도 점수는 예측이 맞을 가능성을 나타내기 위해 모델이 예측에 부여하는 0과 1 사이의 값입니다. 분류기는 각 클래스 레이블에 신뢰도 점수를 부여하고, 객체 탐지 모델은 각 바운딩 박스에 신뢰도 점수를 부여합니다. 이때 신뢰도 점수는 해당 박스에 해당 클래스의 객체가 들어 있을 가능성이 얼마나 높은지라는 더 구체적인 질문에 답합니다. 애플리케이션은 신뢰도 점수를 사용해 어떤 예측을 유지할지, 어떤 순서로 정렬할지, 어떤 예측을 사람에게 보내 검토하게 할지 결정합니다.
모델의 신뢰도 생성 방식#
신뢰도는 네트워크의 마지막 레이어에서 계산됩니다. 단일 레이블 분류기는 로짓이라고 하는 원시 출력을 소프트맥스에 전달해 클래스 점수의 합이 1이 되도록 만든 다음 최댓값을 출력합니다. 탐지기는 일반적으로 각 클래스에 독립적으로 시그모이드를 적용하므로 하나의 박스가 서로 관련된 두 클래스에서 높은 점수를 받을 수 있고 점수의 합이 1이 될 필요도 없습니다. YOLOv5와 같이 별도의 객체성 출력을 사용하는 탐지기는 객체성 점수에 클래스 확률을 곱했습니다. 최근 YOLO 모델을 포함한 많은 앵커 프리 탐지기는 객체성을 제거하고 가장 높은 클래스 점수를 박스의 신뢰도로 사용합니다.
신뢰도 임계값#
신뢰도 임계값은 점수를 의사 결정으로 변환합니다. 임계값보다 높은 예측은 유지하고 나머지는 버립니다. 임계값을 높이면 오탐이 줄고 정밀도가 높아집니다. 임계값을 낮추면 희미하거나 작거나 일부 가려진 객체를 더 많이 찾아 재현율이 높아지는 대신 오탐이 늘어납니다. F1 점수 곡선의 정점에 해당하는 임계값은 두 지표의 균형을 맞춥니다. YOLO26은 기본적으로 예측 시점에 점수가 0.25보다 높은 박스를 유지합니다. 검증에서는 임계값을 0.001로 낮춰 정밀도-재현율 곡선이 가능한 거의 모든 작동 지점을 포함하도록 합니다.
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]}")0.1 실행 결과에는 0.6 실행 결과의 모든 박스와 더 낮은 점수의 후보가 포함되므로, 임계값을 높이면 확신도가 가장 낮은 탐지부터 제거될 뿐입니다.
애플리케이션에서 신뢰도 사용하기#
많은 시스템은 두 가지 임계값을 사용합니다. 낮은 기준보다 점수가 낮은 예측은 버리고, 높은 기준보다 점수가 높은 예측은 자동으로 조치하며, 그 사이 범위의 예측은 담당자나 두 번째 모델 또는 다른 센서로 전달합니다. 의료 선별 검사 도구는 신뢰도가 높은 소견에 즉시 플래그를 표시하고 불확실한 소견은 영상의학과 전문의에게 전달할 수 있으며, 액티브 러닝 루프는 불확실한 범위의 데이터를 어노테이터에게 보내는데, 이를 불확실성 샘플링이라고 합니다.
신뢰도와 보정#
점수 0.9를 유효한 확률로 사용할 수 있는 것은 모델이 보정된 경우뿐입니다. 즉, 점수가 0.9인 모든 예측 중 약 90%가 정답이어야 합니다. 최신 딥 네트워크는 실제 적중률보다 높은 점수를 내는 과신 경향이 있습니다. 온도 스케일링은 홀드아웃 데이터에 맞춰 학습한 하나의 상수로 로짓을 나누어 이러한 문제를 상당 부분 보정하며, scikit-learn의 보정 도구는 Platt(시그모이드) 또는 아이소토닉 매핑을 적합하고 신뢰도 곡선을 그립니다. 위험 임계값처럼 점수를 확률로 해석하는 경우에는 보정이 중요합니다. 평균 정밀도(mAP)와 같은 순위 지정 지표는 점수의 순서에만 좌우됩니다.
