Recall

الاستدعاء هو نسبة الحالات الإيجابية الفعلية التي يحددها النموذج تحديدًا صحيحًا. وهو يجيب عن السؤال: «من بين كل ما كان ينبغي العثور عليه، ما المقدار الذي عثر عليه النموذج؟» ويُحسب بقسمة الإيجابيات الحقيقية على جميع الحالات الإيجابية الفعلية: recall = TP / (TP + FN)، حيث تكون السلبية الكاذبة (FN) حالة إيجابية أغفلها النموذج. وتتراوح قيمة الاستدعاء بين 0 و1؛ لذا يعني الاستدعاء البالغ 0.90 أن النموذج يفوّت حالة إيجابية واحدة من كل 10. والحساسية ومعدل الإيجابيات الحقيقية (TPR) ومعدل الإصابة مترادفات، بينما يساوي معدل الإغفال، أو معدل السلبيات الكاذبة، واحدًا ناقص الاستدعاء. وتزداد أهمية الاستدعاء عندما تكون كلفة الإغفال كبيرة، مثل ورم لم يُكتشف في فحص تصويري أو دخيل لم يُنبّه نظام الإنذار إلى وجوده.

كيفية حساب الاستدعاء#

يستخدم الاستدعاء خليتين من مصفوفة الالتباس: الإيجابيات الحقيقية والسلبيات الكاذبة، اللتين تشكلان معًا جميع الحالات الإيجابية الفعلية. ولا تدخل الإيجابيات الكاذبة والسلبيات الحقيقية في المعادلة مطلقًا؛ لذا يحقق النموذج الذي يصنّف كل شيء على أنه إيجابي استدعاءً مثاليًا يبلغ 1.0 رغم انعدام فائدته. لذلك يُعرض الاستدعاء إلى جانب الدقة، TP / (TP + FP)، التي تعاقب هذه الإنذارات الكاذبة تحديدًا. فعلى سبيل المثال، يحقق نموذج فحص يكتشف 90 ورمًا من أصل 100 في مجموعة اختبار استدعاءً قدره 0.90 مهما بلغ عدد الفحوص السليمة التي يضع عليها إشارة، وتُظهر دقته عدد الإشارات الصحيحة.

عند وجود أكثر من فئتين، يُحسب الاستدعاء لكل فئة على حدة باعتبارها إيجابية وكل ما عداها سلبيًا، ثم يُحسب المتوسط. ويعطي الاستدعاء الكلي متوسط الفئات وزنًا متساويًا لكل فئة، ما يكشف ضعف الأداء في الفئات النادرة، وفي مهام التصنيف متعدد الفئات ذات التسمية الواحدة، يساوي الاستدعاء المحسوب على مستوى العينات الصحة.

الموازنة بين الدقة والاستدعاء#

تُخرج معظم النماذج درجة، وتحولها عتبة القرار إلى إجابة بنعم أو لا. ويؤدي خفض العتبة إلى رصد حالات أكثر، ما يرفع الاستدعاء ويخفض عادةً الإحكام. يقيّم البرنامج النصي أدناه باستخدام scikit-learn خمسة عشر جزءًا، خمسة منها معيبة، عند ثلاث عتبات:

import numpy as np
from sklearn.metrics import precision_score, recall_score

# 5 defective parts (1) and 10 good parts (0), with the model's defect score for each
y_true = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
scores = np.array([0.95, 0.80, 0.55, 0.40, 0.20, 0.60, 0.35, 0.30, 0.15, 0.10, 0.10, 0.05, 0.05, 0.05, 0.02])

# Lowering the decision threshold flags more parts as defective
for threshold in (0.7, 0.5, 0.3):
    y_pred = scores >= threshold
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"threshold {threshold}: recall {recall:.2f}, precision {precision:.2f}")

عند عتبة 0.7، يعثر النموذج على عيبين من أصل 5 دون إنذارات كاذبة، محققًا استدعاءً قدره 0.40 ودقةً تبلغ 1.00. ويؤدي خفض العتبة إلى 0.3 إلى اكتشاف 4 عيوب باستدعاء قدره 0.80، لكن 3 من أصل 7 حالات أُشير إليها هي قطع سليمة، فتنخفض الدقة إلى 0.57. ويؤدي رسم جميع العتبات إلى إنشاء منحنى الدقة والاستدعاء، بينما يختار مقياس F1 أو مقياس F2 الموزون بالاستدعاء نقطة تشغيل واحدة عليه. وفي YOLO26، تضبط عتبة conf في التنبؤ هذه الموازنة، وتكون 0.25 افتراضيًا؛ ويؤدي خفضها، مثلًا إلى conf=0.1، إلى استعادة الأجسام الأقل وضوحًا والأصغر حجمًا والمحجوبة جزئيًا، مقابل زيادة الاكتشافات الكاذبة.

الاستدعاء في اكتشاف الأجسام#

في اكتشاف الأجسام، تكون الحالات الإيجابية هي الأجسام الموسومة في كل صورة. ولا يُحتسب الجسم الموسوم على أنه مكتشف إلا إذا تداخل معه تنبؤ من الفئة نفسها بمقدار التقاطع على الاتحاد (IoU) يبلغ العتبة أو يتجاوزها، وغالبًا ما تكون 0.5. ولا يمكن لكل تنبؤ أن يشير إلا إلى جسم واحد، لذا فإن صندوقًا واحدًا يحيط بشخصين في حشد يكتشف أحدهما، ويصبح الآخر سلبية كاذبة.

لذلك يعتمد استدعاء الكاشف على عتبة الثقة وعتبة IoU والمعالجة اللاحقة. وتخفض عتبة IoU أشد، مثل 0.75، الاستدعاء للصناديق الموضوعة على نحو غير دقيق؛ كما قد يحذف قمع غير الأقصى (NMS) صناديق صحيحة للأجسام المتداخلة بشدة، وتحدّ أقصى أعداد الاكتشافات لكل صورة من الاستدعاء في المشاهد الكثيفة. ويكامل متوسط الدقة (mAP) الدقة عبر جميع مستويات الاستدعاء، لذا يخفضه كل جسم لا يعثر عليه النموذج مطلقًا. كما يعرض تقييم COCO الاستدعاء المتوسط (AR)، وهو أقصى استدعاء يتحقق عند عدد ثابت من الاكتشافات لكل صورة، محسوبًا بمتوسط عتبات IoU من 0.50 إلى 0.95، في صورة AR@1 وAR@10 وAR@100.

تحسين الاستدعاء#

• اخفض عتبة الثقة: أسرع حل، لكنه يأتي على حساب انخفاض الدقة.
• اجمع الحالات التي لم يكتشفها النموذج ووسمها: أضف أمثلة تدريبية للظروف التي يفشل فيها النموذج، مثل الأجسام الصغيرة أو المحجوبة أو التي تظهر ليلًا. وتُظهر مراجعة السلبيات الكاذبة في بيانات التحقق الحالات التي لم يكتشفها.
• ارفع دقة الإدخال: تصبح الأجسام الصغيرة التي لا تشغل سوى بضعة بكسلات عند الدقة المنخفضة قابلة للاكتشاف عند دقة أعلى.
• موازنة اختلال الفئات: تمنع دوال الخسارة مثل الخسارة البؤرية وإعادة أخذ العينات للفئات النادرة النموذج من تجاهل الفئة الأقلية.

الاستدعاء مقارنةً بالمصطلحات ذات الصلة#

• الإحكام: نسبة التنبؤات الإيجابية الصحيحة. يسأل الاستدعاء عن مقدار الهدف الذي عثر عليه النموذج، بينما يسأل الإحكام عن مدى صحة ما عثر عليه.
• النوعية: معدل السلبيات الحقيقية، TN / (TN + FP)، أي نسبة السلبيات التي رُفضت على نحو صحيح. تعرض الاختبارات الطبية الزوج على أنه الحساسية والنوعية.
• منحنى خاصية تشغيل المستقبل (ROC): يرسم الاستدعاء، بوصفه معدل الإيجابيات الحقيقية، مقابل معدل الإيجابيات الكاذبة عبر العتبات. وتلخص المساحة تحت المنحنى (AUC) ذلك في رقم واحد.
• الدقة: نسبة جميع التنبؤات الصحيحة. عندما تكون الإيجابيات 1%، يحقق نموذج يتنبأ بالسلبية في كل مرة دقة قدرها 99% واستدعاء قدره 0%.