Precision
掌握机器学习中的精度。学习如何计算和改进模型准确性、减少误报，并评估 Ultralytics YOLO26 的性能。
精确度是数据科学中用于评估分类模型性能的基础指标。它通过计算模型预测为正类的所有实例中真正正类识别所占的比例，来衡量正类预测的质量。在机器学习 (ML)领域，精确度回答了一个关键问题：“当模型声称它找到了一个物体时，它的准确率有多高？”高精确度表明算法产生极少量的假正例，这意味着系统在标记事件或检测项目时具有高度的可信度。在误报成本高昂的场景中，该指标尤为重要，它要求AI 智能体能够确信地采取行动。
区分精确率、召回率和准确率#
为了充分理解模型的性能，区分精确度与相关的统计学术语至关重要。虽然它们在日常交流中经常被混用，但在计算机视觉 (CV)和分析中，它们有着明确的技术含义。
- Precision vs. Recall: These two metrics often exist in a trade-off relationship. While precision focuses on the accuracy of the positive predictions, Recall (also known as sensitivity) measures the ability of the model to find all relevant instances in the dataset. A model optimized purely for precision might miss some objects (lower recall) to ensure that everything it does catch is correct. Conversely, high recall ensures few missed objects but may result in more false alarms. The F1-Score is often used to calculate the harmonic mean of both, providing a balanced view.
- 精确度与准确率： 准确率是正确预测数（正类和负类）与预测总数之比。然而，在不平衡数据集中，准确率可能会产生误导。例如，在一个99%的交易都是合法交易的欺诈检测系统中，一个每次都简单预测“合法”的模型将具有99%的准确率，但检测欺诈的精确度却为零。
实际应用#
特定行业的具体要求通常决定了开发者是否优先考虑精确率而非其他指标。以下是高精确率至关重要的具体示例：
- 零售防损： 在零售领域的 AI 中，自动化结账系统使用目标检测来识别商品。如果系统的精确度较低，它可能会错误地将客户的个人背包标记为被盗物品（假正例）。这会导致糟糕的客户体验并带来潜在的法律问题。高精确度确保只有在发生盗窃的概率极高时才会触发安全警报，从而维护对安全报警系统的信任。
- 制造质量控制： 在智能制造中，视觉系统会检查装配线上的缺陷。精确度较低的模型可能会将功能正常的部件归类为有缺陷的部件，导致它们被不必要地报废。这种浪费增加了成本并降低了效率。通过调整高精确度，制造商可以确保只剔除真正有缺陷的物品，从而优化生产线。你可以探索Ultralytics YOLO26如何通过减少错误拒绝来协助这些工业任务。
提高计算机视觉中的精确率#
开发者可以采用几种策略来提高模型的精确度。一种常见的方法是在推理过程中调整置信度阈值。通过在接受预测之前要求更高的置信度得分，模型可以过滤掉不确定的检测结果，从而减少假正例。
Another technique involves refining the training data. Adding "negative samples"—images that do not contain the object of interest but look somewhat similar—helps the model learn to distinguish the target from background noise. Using the Ultralytics Platform simplifies this process by allowing teams to curate datasets, visualize model predictions, and identify specific images where the model is struggling. Additionally, effective data augmentation can expose the model to more varied environments, making it more robust against confusing visual elements.
使用 Ultralytics YOLO 计算精确率#
在使用像YOLO26这样的现代目标检测架构时，精确度会在验证阶段自动计算。以下 Python 示例演示了如何使用 val 模式加载模型并检索其性能指标（包括精确度）。
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}")在此工作流中，模型会针对数据集中的真实标签评估其预测结果。生成的分数提供了模型检测精确度的高低基准。对于复杂的项目，随着新数据的引入，通过TensorBoard或Ultralytics Platform等工具随着时间推移监控这些指标，对于确保系统保持可靠性至关重要。
