Accuracy

准确率是评估人工智能系统的基本基准，它量化了模型做出的正确预测占预测总数的百分比。在机器学习特别是监督学习的背景下，这一指标提供了算法与训练过程中提供的真值之间一致性程度的高层概览。虽然它是最直观的性能衡量标准——回答了“模型正确率如何？”这一简单问题——但在开发者深入研究更细粒度的指标之前，它充当了系统可靠性的主要指标。

Link to this section评估性能的细微差别#

虽然准确率是一个极好的起点，但它在平衡的训练数据（即所有类别权重均等）上应用时最为有效。例如，在区分猫和狗的标准图像分类任务中，如果数据集包含每种动物各500张图片，准确率就是一个可靠的指标。然而，在使用不平衡数据集时会出现挑战，从而导致“准确率悖论”。

如果为一个欺诈检测模型进行训练，而其中只有1%的交易是欺诈性的，那么一个简单地将所有交易预测为“合法”的模型将达到99%的准确率，但却完全无法完成其预定任务。为了减轻这种情况，工程师通常会使用Ultralytics Platform来可视化数据集分布，并确保模型不仅仅是在死记硬背多数类。

Link to this section区分准确率与相关术语#

要全面了解模型性能，区分准确率与类似指标至关重要：

• 精确率： 这衡量的是正面预测的质量。它询问：“在所有被预测为正面的实例中，有多少实际上是正面的？”
• 召回率： 也称为灵敏度，它衡量的是模型找出所有相关案例的能力。它询问：“在所有实际为正面的实例中，模型正确识别出了多少？”
• F1-Score： 这是精确率和召回率的调和平均值，提供了一个平衡两者的单一分数，这对于不均匀的类别分布特别有用。

虽然准确率提供了正确性的全局视图，但精确率和召回率提供了对特定类型错误（如假阳性或假阴性）的洞察。

Link to this section实际应用#

准确率的效用遍及多个行业，验证了计算机视觉和预测模型在关键环境中的可靠性。

• 医疗诊断： 在医学图像分析领域，模型被用于对X光片或MRI扫描进行分类。一个将扫描结果分类为“健康”或“病理”的模型需要依赖高准确率来确保患者获得正确的诊断。AI医疗保健的创新在很大程度上依赖于严格的验证，以最大限度地减少自动化错误。
• 制造业中的质量控制： 智能制造中的自动化系统使用视觉检测来识别装配线上的缺陷。高准确率确保只有无缺陷的产品被发运，从而减少浪费和保修成本。通过采用目标检测来发现缺陷，工厂可以自动维持生产标准。

Link to this section用代码衡量准确率#

在使用Python的实际场景中，开发者可以轻松利用现有的库来衡量模型的准确率。以下示例演示了如何验证YOLO26分类模型以获得其Top-1准确率。Top-1准确率是指模型预测概率最高的类别与正确标签匹配的频率。

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}")

Link to this section改进策略#

当模型准确率较低时，可以采取多种技术来提高性能。工程师通常利用数据增强来人工增加训练集的多样性，从而防止模型过拟合。此外，超参数调整——调整诸如学习率之类的设置——可以显著影响收敛速度。对于复杂的任务，迁移学习允许模型利用来自大型预训练数据集（如ImageNet）的知识，从而在较小的特定数据集上实现更高的准确率。