Accuracy

A acurácia é uma referência fundamental na avaliação de sistemas de inteligência artificial, quantificando a percentagem de previsões corretas que um modelo faz em relação ao número total de previsões. No contexto de aprendizagem automática e, especificamente, de aprendizagem supervisionada, esta métrica fornece uma visão geral de quão eficazmente um algoritmo corresponde à verdade fundamental fornecida durante o processo de treino. Embora seja a medida de desempenho mais intuitiva — respondendo à pergunta simples: "Com que frequência o modelo está certo?" —, funciona como um indicador primário da fiabilidade de um sistema antes de os programadores analisarem métricas mais granulares.

As nuances da avaliação do desempenho#

Embora a acurácia seja um excelente ponto de partida, é mais eficaz quando aplicada a dados de treino equilibrados, nos quais todas as classes estão representadas de forma igual. Por exemplo, numa tarefa padrão de classificação de imagens que distingue entre gatos e cães, se o conjunto de dados contiver 500 imagens de cada um, a acurácia é uma métrica fiável. No entanto, surgem desafios com conjuntos de dados desequilibrados, dando origem ao "paradoxo da acurácia".

Se um modelo for treinado para deteção de fraude, em que apenas 1% das transações são fraudulentas, um modelo que simplesmente preveja que todas as transações são "legítimas" alcançaria 99% de acurácia, embora falhasse completamente na tarefa para a qual foi concebido. Para mitigar este problema, os engenheiros utilizam frequentemente a Ultralytics Platform para visualizar a distribuição do conjunto de dados e garantir que os modelos não estão simplesmente a memorizar a classe maioritária.

Distinguir a acurácia de termos relacionados#

Para compreender plenamente o desempenho de um modelo, é crucial distinguir a acurácia de métricas semelhantes:

• Precisão: Mede a qualidade das previsões positivas. Responde à pergunta: "De todas as instâncias previstas como positivas, quantas eram realmente positivas?"
• Revocação: Também conhecida como sensibilidade, mede a capacidade do modelo de encontrar todos os casos relevantes. Responde à pergunta: "De todas as instâncias realmente positivas, quantas foram corretamente identificadas pelo modelo?"
• Pontuação F1: É a média harmónica da precisão e da revocação, fornecendo uma única pontuação que equilibra ambas, o que é particularmente útil para distribuições de classes desequilibradas.

Enquanto a acurácia fornece uma visão global da correção, a precisão e a revocação oferecem informações sobre tipos específicos de erros, como falsos positivos ou falsos negativos.

Aplicações no mundo real#

A utilidade da acurácia estende-se a diversos setores, validando a fiabilidade da visão computacional e dos modelos preditivos em ambientes críticos.

• Diagnóstico médico: No domínio da análise de imagens médicas, os modelos são utilizados para classificar radiografias ou exames de ressonância magnética. Um modelo que classifique exames como "saudáveis" ou "patológicos" depende de uma acurácia elevada para garantir que os pacientes recebem diagnósticos corretos. As inovações em IA na área da saúde dependem fortemente de uma validação rigorosa para minimizar erros automatizados.
• Controlo de qualidade na indústria transformadora: Os sistemas automatizados na fabricação inteligente utilizam a inspeção visual para identificar defeitos nas linhas de montagem. Uma acurácia elevada garante que apenas produtos sem defeitos são expedidos, reduzindo o desperdício e os custos de garantia. Ao utilizar a deteção de objetos para identificar falhas, as fábricas mantêm automaticamente os padrões de produção.

Medir a acurácia no código#

Em cenários práticos com Python, os programadores podem medir facilmente a acurácia de um modelo utilizando bibliotecas estabelecidas. O exemplo seguinte demonstra como validar um modelo de classificação YOLO26 para obter a sua acurácia top-1. A acurácia top-1 refere-se à frequência com que a previsão de maior probabilidade do modelo corresponde ao rótulo correto.

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}")

Estratégias de melhoria#

Quando um modelo apresenta baixa acurácia, podem ser utilizadas várias técnicas para melhorar o desempenho. Os engenheiros utilizam frequentemente o aumento de dados para aumentar artificialmente a diversidade do conjunto de treino, evitando que o modelo sofra de sobreajuste. Além disso, o ajuste de hiperparâmetros — ajustando definições como a taxa de aprendizagem — pode afetar significativamente a convergência. Para tarefas complexas, a aprendizagem por transferência permite que um modelo aproveite conhecimentos de um grande conjunto de dados pré-treinado, como o ImageNet, para alcançar uma acurácia mais elevada num conjunto de dados menor e específico.