Confidence
Познакомься с ролью оценок уверенности в ИИ. Узнай, как фильтровать прогнозы, оптимизировать компромисс между точностью и полнотой и реализовать Ultralytics YOLO26 для повышения точности.
В сфере искусственного интеллекта и машинного обучения оценка уверенности — это метрика, количественно выражающая степень уверенности модели в конкретном предсказании. Обычно это значение находится в диапазоне от 0 до 1 (или от 0% до 100%) и представляет собой оценочную вероятность того, что результат работы алгоритма соответствует эталонной разметке. Например, в задаче детектирования объектов, если система определяет область изображения как «велосипед» с уверенностью 0,92, это означает оценочную вероятность 92%, что классификация верна. Эти оценки извлекаются из последнего слоя нейронной сети и часто обрабатываются с помощью такой функции активации, как Softmax для многоклассовой классификации или сигмоидальной функции для бинарных решений.
Роль уверенности при инференсе#
Оценки уверенности — фундаментальный компонент рабочего процесса движка инференса, выступающий фильтром для отделения качественных предсказаний от фонового шума. Этот процесс фильтрации, известный как пороговая обработка, позволяет разработчикам регулировать чувствительность приложения. Установив минимальный порог уверенности, ты можешь управлять важным компромиссом между точностью и полнотой. Более низкий порог может обнаруживать больше объектов, но повышает риск ложных срабатываний, тогда как более высокий порог улучшает точность, но может привести к пропуску малозаметных объектов.
В продвинутых архитектурах, таких как Ultralytics YOLO26, оценки уверенности необходимы для таких методов постобработки, как подавление немаксимумов (NMS). NMS использует эти оценки, чтобы удалять избыточные ограничивающие рамки, которые значительно перекрываются, сохраняя только детектирование с наивысшей вероятностью. Этот этап обеспечивает чистый итоговый результат, готовый для последующих задач, таких как подсчёт объектов или трекинг.
Следующий пример на Python демонстрирует, как фильтровать предсказания по уверенности с помощью пакета ultralytics:
from ultralytics import YOLO
# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")
# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)
# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")Практические применения#
Оценки уверенности обеспечивают уровень интерпретируемости, незаменимый во всех отраслях, где применяется компьютерное зрение (CV). Они помогают автоматизированным системам определять, когда можно продолжить работу автономно, а когда следует инициировать оповещение для проверки человеком.
- Автономное вождение: В сфере ИИ в автомобильной отрасли беспилотные автомобили используют метрики уверенности для обеспечения безопасности пассажиров. Если система восприятия обнаруживает препятствие с низкой уверенностью, она может сопоставить эти данные с информацией от датчиков LiDAR или радара, чтобы подтвердить наличие объекта перед выполнением экстренного манёвра. Такая избыточность помогает предотвращать «фантомное торможение», вызванное тенями или бликами.
- Медицинская диагностика: При использовании ИИ в здравоохранении модели помогают медицинским специалистам выявлять потенциальные аномалии в данных визуализации. Система, созданная для обнаружения опухолей, может выделять области с высокой уверенностью для немедленной диагностики, а предсказания с более низкой уверенностью регистрируются для дополнительного анализа. Такой рабочий процесс с участием человека гарантирует, что ИИ дополняет принятие клинических решений, не заменяя экспертное мнение.
- Промышленная автоматизация: В сфере умного производства роботизированные манипуляторы используют оценки уверенности для взаимодействия с объектами на сборочных линиях. Робот, оснащённый ИИ для компьютерного зрения, может пытаться захватить компонент только в том случае, если уверенность детектирования превышает 90%, что снижает риск повреждения хрупких деталей из-за несоосности.
Отличие уверенности от связанных терминов#
Крайне важно отличать уверенность от других статистических метрик, используемых при оценке модели.
- Уверенность и точность: Точность — это глобальная метрика, описывающая, как часто модель выдаёт правильный результат на всём наборе данных (например: «Точность модели составляет 92%»). В отличие от неё, уверенность — это локальное значение, относящееся к конкретному предсказанию (например: «Модель с вероятностью 92% уверена, что на этом конкретном изображении есть кошка»). Модель может иметь высокую общую точность, но при этом демонстрировать низкую уверенность на граничных случаях.
- Уверенность и калибровка вероятностей: Необработанная оценка уверенности не всегда соответствует истинной вероятности правильного результата. Модель считается «хорошо откалиброванной», если предсказания с уверенностью 0,8 оказываются правильными примерно в 80% случаев. Для согласования оценок с эмпирическими вероятностями часто применяются такие методы, как масштабирование Платта или изотоническая регрессия.
- Уверенность и точность: Точность измеряет долю положительных идентификаций, которые действительно оказались правильными. Хотя повышение порога уверенности обычно увеличивает точность, часто это происходит за счёт снижения полноты. Разработчики должны настраивать этот порог в зависимости от того, что приоритетнее для их приложения: пропускать как можно меньше объектов или минимизировать ложные тревоги.
Повышение уверенности модели#
Если модель стабильно выдаёт низкую уверенность для корректных объектов, это часто указывает на расхождение между обучающими данными и средой эксплуатации. Для устранения этой проблемы можно применять аугментацию данных, которая искусственно расширяет набор данных за счёт изменения освещения, поворота и уровня шума. Кроме того, использование Ultralytics Platform для реализации конвейеров активного обучения позволяет разработчикам легко находить образцы с низкой уверенностью, размечать их и переобучать модель. Этот итеративный цикл крайне важен для создания надёжных ИИ-агентов, способных стабильно работать в динамичных условиях реального мира.
