신뢰도

머신 러닝과 인공 신뢰도 점수는 모델의 특정 예측이 정확할 가능성을 나타내는 수치로 정확할 가능성을 나타내는 수치입니다. 일반적으로 0과 1 사이의 확률(또는 0%에서 100% 사이의 백분율)로 표시되는 이 신뢰도 점수는 점수는 출력에 대한 신경망의 신경망의 확실성을 정량화합니다. 예를 들어 예를 들어, 물체 감지 작업에서 시스템은 은 '고양이'의 존재를 0.95의 신뢰도로 예측할 수 있으며, 이는 해당 레이블의 정확도에 대한 강한 믿음을 나타냅니다. 정확도에 대한 강한 믿음을 나타냅니다. 이러한 점수는 일반적으로 모델의 최종 레이어에서 다음과 같은 활성화 함수를 사용하여 모델의 최종 레이어에서 파생됩니다. 소프트맥스 함수 또는 2진법 문제의 경우 시그모이드 함수와 같은 활성화 함수를 사용하여 최종 레이어에서 도출됩니다.

추론에서 신뢰의 역할

신뢰도 점수는 추론 엔진 워크플로우의 기본 구성 요소입니다. 추론 엔진 워크플로우의 기본 구성 요소입니다. 이를 통해 개발자는 필요한 확실성 수준에 따라 예측을 필터링할 수 있으며, 이 과정을 임계값이라고 합니다. 특정 신뢰도 임계값을 설정하면 신뢰도 임계값을 설정하면 가능한 모든 객체를 식별하는 것(높은 리콜률)과 식별된 객체가 정확한지 확인하는 것(높은 정확도) 사이의 식별된 객체가 정확한지 확인하는 것(높은 정확도) 사이의 균형을 효과적으로 관리할 수 있습니다.

실제 모델 배포에서 원시 예측 에는 종종 노이즈나 낮은 확률의 탐지가 포함됩니다. 다음과 같은 기법은 비최대 억제(NMS )와 같은 기술은 신뢰 점수를 활용하여 중복되는 상자를 제거하여 가장 높은 확률로 탐지된 항목만 유지합니다. 이렇게 하면 사용자에게 제공되는 최종 결과물이 깨끗하고 실행 가능한 것이 됩니다.

다음 예는 다음을 사용하여 추론 중에 신뢰 임계값을 적용하는 방법을 보여줍니다. Ultralytics YOLO11:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image with a confidence threshold of 0.6 (60%)
# This filters out any detections with a confidence score lower than 0.6
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.6)

# Display the count of objects detected above the threshold
print(f"Detected {len(results[0].boxes)} objects with high confidence.")

실제 애플리케이션

신뢰도 점수의 유용성은 컴퓨터 비전 및 AI 솔루션을 배포하는 거의 모든 산업에서 컴퓨터 비전 및 AI 솔루션을 배포하는 거의 모든 산업에 걸쳐 있습니다.

• 자율 시스템: 자율주행 차량 개발에서 자율 주행 차량 개발에서 가장 중요한 것은 안전입니다. 인식 시스템은 신뢰도 점수를 사용하여 카메라와 LiDAR의 데이터를 융합합니다. 비전 모델이 장애물을 감지할 때 을 감지하면 시스템은 이를 레이더 데이터와 상호 참조하여 비상 제동을 작동시킬 수 있습니다. 이 레이어드 접근 방식은 차량용 AI에 매우 중요합니다, 오탐으로 인한 위험한 팬텀 브레이킹을 방지하는 데 도움이 됩니다. 오탐지.
• 의료 진단: In 의료 이미지 분석에서 AI 도구는 엑스레이나 MRI에서 잠재적인 이상 징후를 포착하여 의사를 지원합니다. 다음 용도로 설계된 시스템 의료 분야의 AI는 신뢰도를 기반으로 자동 분류할 수 있습니다. 신뢰도가 높은 병리 감지는 영상의학과 전문의가 즉시 검토하도록 우선순위를 정하고 영상의학과 전문의가 즉시 검토하도록 우선순위를 정하고, 신뢰도가 낮은 영역은 강조 표시하여 단순히 '재검토'를 위해 강조 표시하여 AI가 결정적인 의사 결정자가 아닌 보조적인 보조자 역할을 보조적인 조력자 역할을 합니다.

자신감 대 정확성 및 정밀성

실무자는 '신뢰도'와 벤치마킹에 사용되는 표준 벤치마킹하는 데 사용되는 모델.

• 신뢰도 대 정확도: 정확도는 전체 데이터 집합에서 모델의 전반적인 정확도를 측정합니다. (예: "모델은 90% 정확합니다")를 측정합니다. 이와 대조적으로 신뢰도는 예측별 값입니다(예: " 이 특정 이미지가 개라고 90% 확신합니다"). 모델은 다음과 같을 수 있습니다. 일반적으로 정확하지만 어려운 예제에서는 여전히 낮은 신뢰도를 출력할 수 있습니다.
• 신뢰도 대 정밀도: 정확도는 실제로 맞는 예측의 비율을 계산합니다. 예측의 비율을 계산합니다. 관련성이 있지만, 다음과 같은 경우 높은 신뢰도 점수가 높은 정확도를 보장하지는 않습니다. 모델에 과적합이 있거나 보정이 제대로 되지 않은 경우 보정되었습니다.
• 보정: 신뢰도 점수가 다음을 반영하는 경우 모델은 "잘 보정된" 것으로 간주됩니다. 실제 정확도를 반영하는 경우 " 잘 보정된" 것으로 간주합니다. 예를 들어 신뢰도 0.8의 모든 예측 중 약 80%가 실제 긍정적으로 일치해야 합니다.

모델 신뢰도 향상

모델이 유효한 객체에 대해 지속적으로 낮은 신뢰도를 산출하는 경우에는 훈련 데이터에 문제가 있을 수 있습니다. 이를 개선하기 위한 전략은 다음과 같습니다. 데이터 보강을 통해 모델을 더 많이 노출시키거나 다양한 조명과 방향에 노출시키거나 주석을 추가하고 재학습하는 능동 학습 특정 '엣지 케이스'에 주석을 달고 재학습하는 능동적 학습을 사용하는 것입니다. 다양하고 고품질의 데이터 세트를 확보하는 것은 사용자가 신뢰할 수 있는 강력한 시스템을 구축하는 데 필수적입니다.