Recall

الاستدعاء، المعروف أيضاً بالحساسية أو معدل الإيجابيات الحقيقية، هو مقياس أداء أساسي في التعلم الآلي يقيس قدرة النموذج على تحديد جميع الحالات ذات الصلة داخل مجموعة البيانات. في سياق object detection أو التحديد، فإنه يجيب بشكل تحديدي على السؤال: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات التي عثر عليها النموذج بشكل صحيح؟" يعد تحقيق استدعاء عالٍ أمراً بالغ الأهمية في السيناريوهات التي يكون فيها تفويت حالة إيجابية - وغالباً ما يشار إليها باسم سلبية كاذبة - محفوفاً بعواقب وخيمة. على عكس accuracy، والتي يمكن أن تكون مضللة عند التعامل مع بيانات غير متوازنة، يوفّر الاستدعاء نظرة مركزة على فعالية النموذج في "التقاط" فئة الهدف.

أهمية الاستدعاء المرتفع#

في العديد من تطبيقات artificial intelligence، تكون تكلفة الفشل في اكتشاف كائن أعلى بكثير من تكلفة الإنذار الكاذب. النموذج المحسّن للاستدعاء يقلل من السلبيات الكاذبة، مما يضمن أن النظام يلقي شباكاً واسعة بما يكفي لالتقاط التهديدات المحتملة، أو الحالات الشاذة، أو الظروف الحرجة. غالباً ما يتضمن ذلك مفاضلة، حيث إن زيادة الاستدعاء يمكن أن تؤدي أحياناً إلى انخفاض درجة precision، مما يعني أن النموذج قد يصنف المزيد من العناصر غير ذات الصلة على أنها إيجابية. فهم هذا التوازن هو المفتاح لتطوير حلول machine learning قوية.

تطبيقات العالم الحقيقي#

الاستدعاء هو المقياس الدافع وراء العديد من AI solutions الحرجة للسلامة. إليك مثالين بارزين حيث تكون الأولوية للحساسية:

• تشخيص الأطباء: في medical image analysis، مثل فحص الأشعة السينية بحثاً عن علامات المرض المبكرة، لا يمكن التفاوض على الاستدعاء العالي. إذا تم استخدام نظام AI in healthcare للكشف عن الأورام، فمن الأفضل بكثير أن يشير النظام إلى ظل مريب يتبين أنه حميد (إيجابي كاذب) بدلاً من تفويت ورام خبيث تماماً. يعتمد الأطباء على هذه الأدوات لتكون بمثابة شبكة أمان، مما يضمن عدم إغفال أي مخاطر صحية محتملة.
• الأمن والمراقبة: بالنسبة لنظام security alarm system، فإن الهدف الأساسي هو اكتشاف كل محاولة اختراق. يضمن النظام المحسّن للاستدعاء العالي أنه إذا دخل شخص ما إلى منطقة محظورة، يتم تشغيل الإنذار. وفي حين أن هذا قد يؤدي إلى إنذارات كاذبة عرضية بسبب الحياة البرية، فهذا تفضيل على فشل النظام في اكتشاف دخيل حقيقي. نماذج Object detection في هذه السيناريوهات مضبوطة لضمان أقصى قدر من الحساسية للتهديدات المحتملة.

الاستدعاء مقابل الدقة#

من الضروري التمييز بين الاستدعاء ونظيره، precision. بينما يقيس الاستدعاء كمية الحالات ذات الصلة التي تم العثور عليها (الكمال)، تقيس الدقة جودة التنبؤات الإيجابية (الدقة المطلقة).

• الاستدعاء: يركز على تجنب الفشل في الاكتشاف. "هل عثرنا على كل التفاح؟"
• الدقة: يركز على تقليل الإنذارات الكاذبة. "هل كل الأشياء التي أسميناها تفاحاً هي في الواقع تفاح؟"

غالباً ما تشترك هاتان المترتان في علاقة عكسية، يتم تصورها من خلال منحنى Precision-Recall curve. لتقييم التوازن العام بينهما، غالباً ما ينظر المطورون إلى F1-score، وهو المتوسط التوافقي لكليهما. في imbalanced datasets، فإن النظر إلى الاستدعاء إلى جانب confusion matrix يعطي صورة أوضح بكثير عن الأداء مقارنة بالدقة وحدها.

قياس الاستدعاء باستخدام Ultralytics YOLO#

عند تدريب نماذج مثل YOLO26 المتطورة، يتم حساب الاستدعاء تلقائياً أثناء مرحلة validation. يقوم الإطار بحساب الاستدعاء لكل فئة وmean Average Precision (mAP)، مما يساعد المطورين على قياس مدى جودة عثور النموذج على الكائنات.

يمكنك بسهولة التحقق من صحة نموذج مدرب وعرض مقاييس الاستدعاء الخاصة به باستخدام Python. يوضح هذا المقتطف كيفية تحميل نموذج والتحقق من أدائه على مجموعة بيانات قياسية:

from ultralytics import YOLO

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

# Validate the model on the COCO8 dataset
# The results object contains metrics like Precision, Recall, and mAP
metrics = model.val(data="coco8.yaml")

# Access and print the mean recall score for box detection
print(f"Mean Recall: {metrics.results_dict['metrics/recall(B)']:.4f}")

يستخدم هذا الكود Ultralytics API لتشغيل التحقق. إذا كان الاستدعاء أقل من المطلوب لمشروعك، فقد تفكر في تقنيات مثل data augmentation لإنشاء أمثلة تدريب أكثر تنوعاً أو hyperparameter tuning لضبط حساسيات النموذج. يمكن أن يؤدي استخدام Ultralytics Platform أيضاً إلى تبسيط عملية إدارة مجموعات البيانات وتتبع هذه المقاييس عبر عمليات التدريب المتعددة.

تحسين استدعاء النموذج#

لتعزيز استدعاء النموذج، غالباً ما يقوم علماء البيانات بتعديل confidence threshold المستخدم أثناء inference. يؤدي خفض الحد إلى جعل النموذج أكثر "تفاؤلاً"، حيث يقبل المزيد من التنبؤات على أنها إيجابية، مما يزيد من الاستدعاء ولكنه قد يقلل من الدقة. بالإضافة إلى ذلك، فإن جمع المزيد من training data المتنوعة يساعد النموذج على تعلم التعرف على hard negatives والحالات الغامضة. للمهام المعقدة، يمكن أن يؤدي استخدام بنيات متقدمة مثل كتل Transformer أو استكشاف ensemble methods إلى تحسين قدرة النظام على اكتشاف الميزات الدقيقة التي قد تفوتها النماذج الأبسط.