Fuzzy Logic

探索模糊逻辑 (Fuzzy Logic) 如何在 AI 中模拟人类推理。学习处理计算机视觉中的歧义，并将其应用于 Ultralytics YOLO26 以实现更智能的数据处理。

模糊逻辑（Fuzzy Logic）是一种计算范式，它基于“真实程度”来对推理进行建模，而不是经典计算中常见的僵硬的“真或假”二进制。标准计算机利用 Boolean logic 严格将值指定为 0 或 1，而模糊系统则允许值介于 0 和 1 之间的任意位置。这种灵活性使得 Artificial Intelligence (AI) 能够处理模糊性、不确定性和不精确的信息，在处理复杂数据时能更贴近人类的认知过程。

模糊推理的机制#

在传统计算中，输入要么属于某个集合，要么不属于。模糊逻辑引入了 隶属函数（membership functions） 的概念，将输入数据映射到 0 到 1 之间的值，以表示隶属度。例如，在 climate control system 中，75°F 的温度可能不会被简单地归类为“热”，而是被归类为“0.6 温暖”.

此过程通常涉及三个关键阶段：

模糊化 (Fuzzification)： 使用隶属函数将精确的数值输入转换为模糊集合。
推理 (Inference)： 应用“如果-那么 (If-Then)”规则，根据模糊数据确定结果。
去模糊化 (Defuzzification)： 将模糊结果转换回精确且可操作的输出。

这种方法对于处理 noisy visual data 特别有益，因为在这些数据中很难界定清晰的边界。

在机器学习和计算机视觉中的相关性#

在 Computer Vision (CV) 和 Machine Learning (ML) 的背景下，由于光照、遮挡或传感器噪声，确切的像素值往往会波动。模糊逻辑架起了 neural network 的精确数值输出与人类使用的语言解释之间的桥梁。

实际应用#

自动驾驶： Autonomous vehicles 利用模糊逻辑来执行平稳的控制动作。当检测到障碍物时，系统不是突然刹车，而是根据速度和距离评估“危险程度”，从而进行渐进式减速，确保乘客的安全和舒适。
医疗诊断： 在 medical image analysis 中，组织通常没有明显的边界。模糊逻辑可帮助 AI in healthcare 系统分割肿瘤模糊融入健康组织的图像，从而实现更细致的风险评估和 predictive modeling。

模糊逻辑与概率论的区别#

至关重要的是，要将模糊逻辑与 probability theory 区分开来，因为尽管它们处理的是不同类型的不确定性，但人们常常将它们混淆。

概率 (Probability) 处理未来事件发生的 可能性（例如，“下雨的几率为 50%”）。它模拟的是随机性。
模糊逻辑 (Fuzzy Logic) 处理状态的 真值度（例如，“地面有 50% 是湿的”）。它模拟的是事件定义本身的不确定性。

实际实施#

在实际的 object detection 工作流中，模糊逻辑通常应用于后处理阶段。开发者可以将模型的 confidence 分数映射到语言类别，以创建复杂的过滤规则。

以下 Python 示例演示了如何将类似模糊的分类应用于 Ultralytics YOLO26 推理结果：

from ultralytics import YOLO

# Load the YOLO26 model and run inference
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# Get confidence score of the first detected object
conf = results[0].boxes.conf[0].item()


# Apply fuzzy linguistic categorization (Membership function logic)
def get_fuzzy_degree(score):
    if score > 0.8:
        return "High Certainty"
    elif score > 0.5:
        return "Moderate Certainty"
    return "Uncertain"


print(f"Score: {conf:.2f} -> Category: {get_fuzzy_degree(conf)}")