精确率

精度是数据科学和统计学领域的一个基本指标，用于量化模型正向预测的准确性。 模型正向预测的准确性。在 在机器学习（ML）中，它具体回答了 问题："在模型预测为正向的所有实例中，有多少是真正的正向？ 这一指标对于评估系统的可靠性至关重要，尤其是在以下情况下 误报 (预测事件时）会带来巨大的成本或风险。通过关注阳性结果的质量 结果的质量而不仅仅是数量，开发人员就能确保他们的 人工智能代理的行动具有高度的确定性。

精准对人工智能的重要性

当考虑到错误预测的后果时，精确度的价值就体现得淋漓尽致。高精度模型 高精度模型很少产生误报，这意味着当它标记出一个项目或事件时，人类操作员可以相信 检测是合法的。这种可信度对于 自动机器学习（AutoML） 管道至关重要，因为在这些管道中，人工干预是最少的。相反，精度低会导致 "警报疲劳"，即 在这种情况下，用户会因为错误频发而开始忽略系统的输出结果，从而削弱人工智能解决方案的效用。 人工智能（AI）解决方案的效用。

实际应用

要了解这一指标对日常运营的影响，请考虑它在不同行业中的作用：

• 垃圾邮件过滤在 自然语言处理 (NLP) 任务（如垃圾邮件检测）中，准确性至关重要。如果一封来自老板或客户的合法电子邮件被错误地 归类为垃圾邮件（误报），用户可能会错过关键信息。因此，垃圾邮件过滤器的调整 高精度，以确保发送到垃圾文件夹的邮件几乎肯定是真正的垃圾邮件。您可以学习 标准 NLP 指南中有关文本分类的更多信息。
• 生产质量控制：在 智能制造环境中，计算机视觉 模型可检查装配线是否存在缺陷。如果模型的精度较低，就可能将完美无缺的产品标为 缺陷。这将导致不必要的浪费和生产成本的增加，因为有功能的产品会被丢弃或返工。 返工。使用最先进的 对象检测 架构实施稳健的物体检测，有助于保持高精度，确保只有真正有缺陷的物品才会被剔除。
• 零售防损：对于 人工智能在零售业的应用 收银机上的潜在盗窃行为。精确度不高的系统会经常指责诚实的购物者偷窃，造成挫败感，破坏顾客体验。 挫败感，破坏顾客体验。高精度可确保安保人员只在极有可能发生偷窃时才发出警报。 高精度可确保安保人员只在盗窃可能性很大时才发出警报。 安全警报系统的实施。

区分精确度与相关概念

新手通常会将精确度与其他绩效指标混淆。区分这些术语 对于正确 模型评估见解。

• 精度与准确度：而 准确度衡量所有 预测的整体正确性（包括正预测和负预测），但在处理 不平衡的数据集时，它可能会产生误导。例如，在一个 99% 的案例都是负面的数据集中，一个每次都预测 "负面 "的模型 准确率为 99%，但对正向类的准确率为 0%。
• 精确度与召回率：通常存在一种反比关系，称为 精确度与召回率的权衡。精确度侧重于正面预测的正确性、 召回率衡量的是完整性--有多少 有多少实际的正向实例被捕获。纯粹为精确度而优化的系统可能会漏掉一些真正的正向预测（降低召回率 (召回率较低），而针对召回率进行优化的系统可能会产生更多的误报（精度较低）。
• F1 分数：为了平衡这两个相互竞争的指标，数据科学家通常使用 F1 分数，它是精确度和召回率的调和平均值。 召回率的调和平均值。这为全面评估 模型性能。

使用Ultralytics计算精确度

在实际的计算机视觉工作流程中，测量精度是验证阶段的一个标准步骤。 验证阶段的标准步骤。现代框架，如 YOLO11等现代框架会自动计算精度以及其他指标，如 平均精度 (mAP)，以提供 模型定位和分类的详细情况。 边界框的情况。

下面的示例演示了如何使用 ultralytics 包装。在执行 超参数调优 以提高成果。

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on the COCO8 dataset
# This calculates Precision, Recall, and mAP based on the validation set
metrics = model.val(data="coco8.yaml")

# Access and print the mean Precision (P) score
print(f"Mean Precision: {metrics.box.mp:.3f}")

在这个片段中， val() 方法在数据集上运行推理，将预测结果与 基本事实并计算度量值。计算 metrics.box.mp 属性特别保存了所有类别的平均精确度得分，为您提供了一个快速的 模型精确度的快照。

提高模型精度

如果模型的精确度较低，则表明它 "幻觉 "到了不存在的物体。为了解决这个问题 开发人员可以调整置信度阈值、 确保模型只在高度确定的情况下输出预测结果。此外，策划一个高质量的 训练数据集，其中包括困难的 "阴性 "示例--看起来像目标对象但实际上不是的图像--可以帮助模型学会从背景噪声中 更有效地从背景噪音中分辨出真正的阳性。主动学习等技术 主动学习等技术也可用于迭代改进模型。 改进模型。

要深入了解不同模型在精度和效率方面的优势，您可以浏览 Ultralytics 模型比较页面，其中提供了 各种架构的速度和准确性基准。