Precision

Độ chính xác là một metric nền tảng trong khoa học dữ liệu, được sử dụng để đánh giá hiệu suất của các model phân loại. Metric này đo lường chất lượng của các dự đoán dương tính bằng cách xác định tỷ lệ các nhận diện dương tính đúng trên tổng số trường hợp mà model dự đoán là dương tính. Trong lĩnh vực học máy (ML), độ chính xác trả lời câu hỏi quan trọng: "Khi model cho rằng nó đã tìm thấy một object, bao nhiêu lần nó đúng?" Độ chính xác cao cho thấy một thuật toán tạo ra rất ít dương tính giả, nghĩa là hệ thống có độ tin cậy cao khi gắn cờ một sự kiện hoặc phát hiện một item. Metric này đặc biệt quan trọng trong các tình huống mà chi phí của một cảnh báo giả cao, đòi hỏi AI agent phải hành động chắc chắn.

Phân biệt Độ chính xác, Độ bao phủ và Độ đúng#

Để hiểu đầy đủ hiệu suất của model, cần phân biệt độ chính xác với các thuật ngữ thống kê liên quan. Mặc dù thường được sử dụng thay thế cho nhau trong giao tiếp thông thường, chúng có ý nghĩa kỹ thuật riêng biệt trong thị giác máy tính (CV) và phân tích.

• Độ chính xác và Độ bao phủ: Hai metric này thường có mối quan hệ đánh đổi. Trong khi độ chính xác tập trung vào mức độ đúng của các dự đoán dương tính, Độ bao phủ (còn được gọi là độ nhạy) đo lường khả năng của model trong việc tìm thấy tất cả các trường hợp liên quan trong dataset. Một model được tối ưu hoàn toàn cho độ chính xác có thể bỏ sót một số object (độ bao phủ thấp hơn) để đảm bảo mọi thứ nó thực sự phát hiện đều chính xác. Ngược lại, độ bao phủ cao đảm bảo bỏ sót ít object nhưng có thể dẫn đến nhiều cảnh báo giả hơn. F1-Score thường được sử dụng để tính trung bình điều hòa của cả hai, cung cấp một góc nhìn cân bằng.
• Độ chính xác và Độ đúng: Độ đúng là tỷ lệ giữa các dự đoán đúng (cả dương tính và âm tính) trên tổng số dự đoán. Tuy nhiên, độ đúng có thể gây hiểu nhầm trong dataset mất cân bằng. Ví dụ: trong một hệ thống phát hiện gian lận mà 99% giao dịch là hợp lệ, một model chỉ dự đoán "hợp lệ" trong mọi trường hợp sẽ đạt độ đúng 99% nhưng có độ chính xác bằng 0 trong việc phát hiện gian lận.

Các ứng dụng trong thực tế#

Các yêu cầu cụ thể của từng ngành thường quyết định việc developer ưu tiên độ chính xác hơn các metric khác hay không. Dưới đây là những ví dụ cụ thể về các trường hợp độ chính xác cao đóng vai trò then chốt:

• Phòng ngừa thất thoát trong bán lẻ: Trong AI trong bán lẻ, các hệ thống thanh toán tự động sử dụng phát hiện object để nhận diện item. Nếu hệ thống có độ chính xác thấp, hệ thống có thể gắn nhầm túi cá nhân của khách hàng là item bị đánh cắp (dương tính giả). Điều này dẫn đến trải nghiệm tiêu cực cho khách hàng và các vấn đề pháp lý tiềm ẩn. Độ chính xác cao đảm bảo bộ phận an ninh chỉ nhận được cảnh báo khi xác suất xảy ra hành vi trộm cắp rất cao, duy trì niềm tin vào hệ thống báo động an ninh.
• Kiểm soát chất lượng sản xuất: Trong sản xuất thông minh, các hệ thống thị giác kiểm tra lỗi trên dây chuyền lắp ráp. Một model có độ chính xác thấp có thể phân loại các linh kiện hoạt động bình thường là bị lỗi, khiến chúng bị loại bỏ không cần thiết. Sự lãng phí này làm tăng chi phí và giảm hiệu quả. Bằng cách tinh chỉnh để đạt độ chính xác cao, nhà sản xuất đảm bảo chỉ những item thực sự bị lỗi mới bị loại bỏ, từ đó tối ưu hóa dây chuyền sản xuất. Bạn có thể tìm hiểu cách Ultralytics YOLO26 hỗ trợ các tác vụ công nghiệp này bằng cách giảm số lần từ chối nhầm.

Cải thiện Độ chính xác trong Thị giác máy tính#

Developer có thể áp dụng một số chiến lược để cải thiện độ chính xác của model. Một phương pháp phổ biến là điều chỉnh ngưỡng confidence trong quá trình inference. Bằng cách yêu cầu điểm confidence cao hơn trước khi chấp nhận một dự đoán, model sẽ lọc các detection không chắc chắn, từ đó giảm số dương tính giả.

Một kỹ thuật khác là tinh chỉnh dữ liệu huấn luyện. Việc thêm "mẫu âm tính"—các hình ảnh không chứa object cần quan tâm nhưng có vẻ tương tự—giúp model học cách phân biệt mục tiêu với nhiễu nền. Sử dụng Ultralytics Platform giúp đơn giản hóa quy trình này bằng cách cho phép các team tuyển chọn dataset, trực quan hóa dự đoán của model và xác định những hình ảnh cụ thể mà model đang gặp khó khăn. Ngoài ra, tăng cường dữ liệu hiệu quả có thể đưa model tiếp xúc với nhiều môi trường đa dạng hơn, giúp model mạnh mẽ hơn trước các yếu tố hình ảnh gây nhầm lẫn.

Tính Độ chính xác với Ultralytics YOLO#

Khi làm việc với các kiến trúc phát hiện object hiện đại như YOLO26, độ chính xác được tự động tính trong giai đoạn validation. Ví dụ Python sau đây minh họa cách load một model và lấy các metric hiệu suất của model, bao gồm độ chính xác, bằng cách sử dụng chế độ val.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Validate the model on the COCO8 dataset to calculate metrics
metrics = model.val(data="coco8.yaml")

# Access and print the mean Precision (P) score
# The results dictionary contains keys for various metrics
print(f"Mean Precision: {metrics.results_dict['metrics/precision(B)']:.4f}")

Trong workflow này, model đánh giá các dự đoán của mình bằng cách đối chiếu với các nhãn ground truth trong dataset. Điểm số thu được cung cấp một chuẩn đối sánh trực tiếp về độ chính xác của các detection do model tạo ra. Đối với các dự án phức tạp, việc theo dõi các metric này theo thời gian thông qua những công cụ như TensorBoard hoặc Ultralytics Platform là yếu tố quan trọng để đảm bảo hệ thống vẫn đáng tin cậy khi dữ liệu mới được đưa vào.

Các Khái niệm Liên quan trong Đánh giá Model#

• Giao của Phần dự đoán trên Hợp (IoU): Một metric được sử dụng để đánh giá mức độ chồng lấp giữa bounding box được dự đoán và ground truth. Một detection chỉ được xem là "dương tính đúng" nếu IoU vượt quá một ngưỡng nhất định.
• Đường cong Độ chính xác–Độ bao phủ: Một biểu đồ trực quan thể hiện độ chính xác theo độ bao phủ ở các ngưỡng khác nhau. Đường cong này giúp các kỹ sư hình dung sự đánh đổi và chọn điểm vận hành tối ưu cho ứng dụng cụ thể của họ, như được trình bày chi tiết trong các tài liệu học thống kê tiêu chuẩn.
• Độ chính xác trung bình mAP (mAP): Một metric toàn diện tính toán độ chính xác trung bình trên tất cả các class và ngưỡng IoU. Đây là benchmark tiêu chuẩn để so sánh các model trên những dataset như COCO hoặc ImageNet.