Confidence

In the realm of artificial intelligence and machine learning, a confidence score is a metric that quantifies the level of certainty a model has regarding a specific prediction. This value typically ranges from 0 to 1 (or 0% to 100%) and represents the estimated probability that the algorithm's output aligns with the ground truth. For instance, in an object detection task, if a system identifies a region of an image as a "bicycle" with a confidence of 0.92, it suggests a 92% estimated likelihood that the classification is correct. These scores are derived from the final layer of a neural network, often processed through an activation function such as Softmax for multi-class categorization or the Sigmoid function for binary decisions.

Link to this sectionÇıkarımda Güvenin Rolü#

Güven skorları, çıkarım motoru iş akışının temel bir bileşenidir ve yüksek kaliteli tahminleri arka plan gürültüsünden ayırt etmek için bir filtre görevi görür. Eşikleme (thresholding) olarak bilinen bu filtreleme süreci, geliştiricilerin bir uygulamanın hassasiyetini ayarlamasına olanak tanır. Minimum bir güven eşiği belirleyerek kritik hassasiyet-duyarlılık ödünleşimini yönetebilirsin. Daha düşük bir eşik daha fazla nesneyi tespit edebilir ancak yanlış pozitif riskini artırır; buna karşılık daha yüksek bir eşik hassasiyeti iyileştirir ancak ince detayların kaçırılmasına neden olabilir.

Ultralytics YOLO26 gibi gelişmiş mimarilerde, güven skorları Maksimum Olmayan Baskılama (NMS) gibi işlem sonrası teknikler için vazgeçilmezdir. NMS, önemli ölçüde çakışan yedekli sınırlayıcı kutuları kaldırmak ve yalnızca en yüksek olasılığa sahip tespiti korumak için bu skorları kullanır. Bu adım, nihai çıktının temiz olmasını ve nesne sayma veya takip gibi sonraki görevler için hazır olmasını sağlar.

Aşağıdaki Python örneği, ultralytics paketini kullanarak tahminlerin güven skoruna göre nasıl filtreleneceğini göstermektedir:

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}")

Link to this sectionGerçek Dünya Uygulamaları#

Güven skorları, bilgisayarlı görü (CV) uygulamalarının kullanıldığı sektörlerde vazgeçilmez bir yorumlanabilirlik katmanı sağlar. Bu skorlar, otomatik sistemlerin ne zaman özerk bir şekilde ilerleyeceğine ve ne zaman insan incelemesi için uyarı tetikleyeceğine karar vermesine yardımcı olur.

• Otonom Sürüş: Otomotivde yapay zeka sektöründe, sürücüsüz araçlar yolcu güvenliğini sağlamak için güven metriklerine güvenir. Eğer bir algı sistemi bir engeli düşük güvenle tespit ederse, acil durum manevrası yapmadan önce nesnenin varlığını doğrulamak için bu veriyi LiDAR sensörleri veya radar ile çapraz kontrol edebilir. Bu yedeklilik, gölgeler veya parlama nedeniyle oluşan "hayalet frenleme" durumlarını önlemeye yardımcı olur.
• Tıbbi Tanılama: Sağlık hizmetlerinde yapay zeka kullanılırken modeller, görüntüleme verilerindeki potansiyel anormallikleri işaretleyerek tıp uzmanlarına yardımcı olur. Tümör tespiti için oluşturulan bir sistem, anında teşhis için yüksek güvenli bölgeleri vurgulayabilirken, daha düşük güvenli tahminler ikincil analiz için kaydedilir. Bu insan döngüde (human-in-the-loop) iş akışı, yapay zekanın uzman yargısının yerini almadan klinik karar vermeyi güçlendirmesini sağlar.
• Endüstriyel Otomasyon: Akıllı üretimde, robot kolları montaj hatlarındaki nesnelerle etkileşime girmek için güven skorlarını kullanır. Görüntüleme yapay zekası ile donatılmış bir robot, hizalama hatası nedeniyle hassas parçalara zarar verme riskini azaltmak için bir bileşeni yalnızca tespit güveni %90'ın üzerindeyse kavramayı deneyebilir.

Link to this sectionGüveni İlgili Terimlerden Ayırmak#

Güveni, model değerlendirmesinde kullanılan diğer istatistiksel metriklerden ayırt etmek çok önemlidir.

• Güven ve Doğruluk: Doğruluk, bir modelin tüm veri kümesi genelinde ne sıklıkla doğru olduğunu tanımlayan küresel bir metriktir (örneğin, "Model %92 oranında doğru çalışıyor"). Buna karşılık güven, yerel ve tahmine özgü bir değerdir (örneğin, "Model bu belirli görüntüde bir kedi olduğundan %92 emin"). Bir model yüksek genel doğruluğa sahip olabilir ancak yine de sınır durumlarda (edge cases) düşük güven verebilir.
• Güven ve Olasılık Kalibrasyonu: Ham bir güven skoru her zaman gerçek doğruluk olasılığı ile örtüşmez. Bir model, 0.8 güvenle yapılan tahminler yaklaşık %80 oranında doğruysa "iyi kalibre edilmiş" olarak kabul edilir. Skorları ampirik olasılıklarla hizalamak için genellikle Platt ölçekleme veya İzotonik Regresyon gibi teknikler kullanılır.
• Güven ve Hassasiyet (Precision): Hassasiyet, pozitif tanımlamaların gerçekte ne kadarının doğru olduğunun oranını ölçer. Güven eşiğini artırmak genellikle hassasiyeti yükseltse de, bu durum genellikle duyarlılık (recall) pahasına gerçekleşir. Geliştiriciler bu eşiği, uygulamalarının daha az nesneyi gözden kaçırmaya mı yoksa yanlış alarmları en aza indirmeye mi öncelik verdiğine göre ayarlamalıdır.

Link to this sectionModel Güvenini İyileştirmek#

If a model consistently outputs low confidence for valid objects, it often signals a discrepancy between the training data and the deployment environment. Strategies to mitigate this include data augmentation, which artificially expands the dataset by varying lighting, rotation, and noise. Furthermore, using the Ultralytics Platform to implement active learning pipelines allows developers to easily identify low-confidence samples, annotate them, and retrain the model. This iterative cycle is vital for creating robust AI agents capable of operating reliably in dynamic, real-world settings.