Confidence

Uma pontuação de confiança é um número entre 0 e 1 que um modelo associa a uma previsão para expressar a probabilidade de ela estar correta. Os classificadores associam uma pontuação a cada rótulo de classe, e os modelos de detecção de objetos associam uma a cada caixa delimitadora, respondendo a uma pergunta mais específica: qual é a probabilidade de esta caixa conter um objeto desta classe? As aplicações usam a confiança para decidir quais previsões manter, em que ordem classificá-las e quais encaminhar para análise humana.

Como os modelos geram confiança#

A confiança vem da camada final da rede. Um classificador de rótulo único passa suas saídas brutas, chamadas logits, pelo softmax, que faz a soma das pontuações das classes ser igual a 1, e retorna o valor mais alto. Em geral, os detectores aplicam uma sigmoide a cada classe de forma independente, de modo que uma caixa pode receber pontuações altas para duas classes relacionadas e que a soma das pontuações não precisa ser 1. Detectores com uma saída de objetividade separada, como o YOLOv5, multiplicavam essa saída pela probabilidade da classe. Muitos detectores sem âncoras, incluindo modelos YOLO recentes, eliminam a objetividade e usam a maior pontuação de classe como confiança da caixa.

Limiares de confiança#

Um limiar de confiança transforma pontuações em decisões: as previsões acima dele são mantidas e as demais descartadas. Aumentar o limiar elimina falsos positivos e eleva a precisão. Reduzi-lo recupera objetos pouco visíveis, pequenos ou parcialmente ocultos e aumenta a revocação, ao custo de mais falsos alarmes. O limiar no pico da curva de pontuação F1 equilibra as duas métricas. Por padrão, o YOLO26 mantém caixas com pontuação acima de 0,25 no momento da predição, e a validação reduz o limiar para 0,001 para que suas curvas de precisão-revocação cubram quase todos os pontos operacionais possíveis.

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]}")

A execução com 0.1 devolve todas as caixas da execução com 0.6, além de quaisquer candidatos mais fracos; por isso, aumentar o limiar apenas remove deteções, começando pelas menos certas.

Usar a confiança em aplicações#

Muitos sistemas usam dois limiares. As previsões abaixo de um limiar baixo são descartadas, as previsões acima de um limiar alto acionam uma ação automática, e as que ficam entre os dois são encaminhadas para uma pessoa, outro modelo ou outro sensor. Uma ferramenta de rastreio médico pode sinalizar de imediato os achados com elevada confiança e encaminhar os incertos para um radiologista, e um ciclo de aprendizagem ativa envia a faixa incerta para anotadores, uma estratégia chamada amostragem por incerteza.

Confiança e calibração#

Uma pontuação de 0.9 só é uma probabilidade útil se o modelo estiver calibrado, ou seja, se cerca de 90% de todas as previsões com pontuação 0.9 estiverem corretas. As redes profundas modernas tendem a ser excessivamente confiantes, com pontuações superiores à sua taxa real de acerto. O escalonamento de temperatura corrige grande parte deste problema dividindo os logits por uma constante ajustada com dados reservados, e as ferramentas de calibração do scikit-learn ajustam mapeamentos de Platt (sigmoide) ou isotónicos e traçam curvas de fiabilidade. A calibração é importante sempre que uma pontuação é interpretada como uma probabilidade, por exemplo, ao definir um limiar de risco. As métricas de ordenação, como a precisão média (mAP), dependem apenas da ordem das pontuações.

Confiança e termos relacionados#

• Precisão global: taxa de previsões corretas ao nível do conjunto de dados. Num modelo calibrado, a confiança média é igual à precisão global.
• Intervalos de confiança estatística: um conceito diferente que partilha o nome. Um nível de confiança de 95% descreve a frequência com que um procedimento de construção de intervalos abrange um valor verdadeiro em amostras repetidas.
• Previsão conformal: transforma pontuações brutas em conjuntos de previsões com uma garantia de cobertura; assim, para um objetivo de 90%, o conjunto contém o rótulo verdadeiro pelo menos 90% das vezes em dados permutáveis.