الاسترجاع

الاسترجاع، المعروف أيضًا باسم الحساسية أو المعدل الإيجابي الحقيقي، هو مقياس تقييم أساسي مقياس تقييم أساسي يُستخدم لقياس قدرة نموذج التعلّم الآلي (ML) على تحديد جميع الحالات ذات الصلة ضمن مجموعة بيانات. في الأساس، يجيب الاستدعاء على السؤال المحدد: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات الإيجابية الفعلية التي نجح النموذج في detect يركز هذا المقياس بشكل خاص على تقليل الحالات السلبية الخاطئة، وضمان عدم إغفال الأحداث أو الأشياء المهمة. بينما توفر توفر الدقة نظرة عامة على الأداء, يصبح الاستدعاء هو المؤشر الأساسي للنجاح في السيناريوهات التي يكون فيها فقدان الهدف له تكلفة أعلى من الإنذار الكاذب. من الإنذار الكاذب.

أهمية التذكر في الذكاء الاصطناعي

في العديد من مهام الرؤية الحاسوبية (CV) وتحليل البيانات فإن تكلفة الأخطاء ليست موحدة. الفشل في detect حالة إيجابية (خطأ من النوع الثاني) يمكن أن يكون أحيانًا خطيرًا أو مكلفًا. يضمن الاستدعاء العالي أن يقوم النظام بإلقاء شبكة واسعة لالتقاط أكبر عدد ممكن من الحالات الإيجابية الحقيقية ممكن. يتم تحقيق ذلك غالبًا عن طريق تعديل عتبة الثقة أثناء الاستدلال؛ حيث يؤدي خفض العتبة بشكل عام يزيد من الاستدعاء ولكنه قد يؤدي إلى المزيد من النتائج الإيجابية الخاطئة.

غالباً ما يقوم المهندسون بتحليل منحنى دقة الاسترجاع لفهم المفاضلات الكامنة في نماذجهم. لقد وجد النموذج ذو الاستدعاء بنسبة 100% كل كائن مستهدف, على الرغم من أنه ربما يكون قد صنف بعض الضوضاء في الخلفية على أنها أهداف.

تطبيقات واقعية

التذكّر هو المقياس الدافع وراء العديد من حلول حلول الذكاء الاصطناعي. فيما يلي مثالان بارزان حيث يحتل التذكر الأسبقية:

• التشخيص الطبي: في مجال تحليل الصور الطبية، مثل فحص للأمراض عن طريق الأشعة السينية أو التصوير بالرنين المغناطيسي، فإن الاسترجاع العالي غير قابل للتفاوض. إذا كان نموذج الذكاء الاصطناعي للكشف عن الأورام يقوم بتحليل الأشعة، فمن الأفضل بكثير أن يقوم النظام بالإشارة إلى ظل مشبوه يتبين أنه حميد (نتيجة إيجابية كاذبة) من أن يغفل ورماً خبيثاً. إيجابي) من أن يغفل ورماً خبيثاً تماماً (سلبي كاذب). يعتمد الأطباء على هذه الذكاء الاصطناعي في أدوات الرعاية الصحية للعمل كشبكة أمان, لضمان عدم تجاهل أي مخاطر صحية محتملة.
• الأمن والمراقبة بالنسبة لـ نظام الإنذار الأمني، فإن الهدف الأساسي هو detect كل محاولة اقتحام. يضمن النظام المحسّن للاستدعاء العالي أنه إذا دخل شخص ما منطقة محظورة منطقة محظورة، ينطلق الإنذار. على الرغم من أن هذا قد يؤدي إلى إنذارات كاذبة عرضية ناتجة عن الحيوانات أو الظلال، إلا أن هذا أفضل من فشل النظام في detect أي دخيل فعلي. يتم ضبط نماذج الكشف عن الأجسام في هذه السيناريوهات يتم ضبطها لضمان أقصى قدر من الحساسية للتهديدات المحتملة.

التذكّر مقابل الدقة والدقة

يعد فهم الفرق بين الاستدعاء والمقاييس ذات الصلة أمرًا بالغ الأهمية لتفسير رؤى تقييم النموذج.

• الاستدعاء مقابل الدقة: بينما يقيس الاستدعاء كمية النتائج الإيجابية الحقيقية التي تم العثور عليها, تقيس الدقة جودة أو موثوقية تلك التنبؤات الإيجابية. تطرح الدقة السؤال التالي: "من بين جميع العناصر التي تم تصنيفها على أنها إيجابية، كم عدد العناصر التي كانت "؟ غالبًا ما تكون هناك مفاضلة؛ فزيادة الاستدعاء عن طريق قبول الاكتشافات ذات الثقة المنخفضة عادةً يقلل من الدقة. إن درجة F1 هي مقياس يجمع بين بين الاثنين لتوفير رؤية متوازنة.
• التذكر مقابل الدقة: تقيس الدقة النسبة المئوية الإجمالية للتنبؤات الصحيحة (الإيجابية والسلبية على حد سواء). والسلبية). ومع ذلك، في مجموعات البيانات غير المتوازنة - مثلخط التصنيع حيث 99% من الأجزاء جيدة و1% فقط معيبة - يمكن للنموذج ببساطة أن يتنبأ "جيد" في كل مرة ويحقق دقة بنسبة 99% بينما تكون نسبة استرجاع العيوب 0%. في مثل هذه مهام الكشف عن الشذوذ، فإن الاستدعاء هو مقياس أكثر أكثر صدقاً من الدقة.

قياس الاستدعاء باستخدامYOLO Ultralytics YOLO

عند تطوير النماذج باستخدام Ultralytics YOLO11 يتم حساب الاستدعاء تلقائيًا تلقائيًا أثناء عملية التحقق من الصحة. يقوم الإطار بحساب الاستدعاء لكل فئة و متوسط الدقة (mAP)، مما يساعد المطورين على المطورين على قياس مدى نجاح النموذج في العثور على العناصر.

يمكنك بسهولة التحقق من صحة النموذج المُدرَّب وعرض مقاييس الاستدعاء الخاصة به باستخدام Python:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on a standard dataset like COCO8
# The results will include Precision (P), Recall (R), and mAP
metrics = model.val(data="coco8.yaml")

# Access the mean recall score from the results
print(f"Mean Recall: {metrics.results_dict['metrics/recall(B)']}")

يقوم هذا المقتطف البرمجي بتحميل YOLO11 ويجري التحقق من صحته على مجموعة بياناتCOCO8 . يوفر المقتطف توفر المخرجات تفصيلاً شاملاً للأداء، مما يسمح لك بتقييم ما إذا كان نموذجك يلبي اللازمة للتطبيق الخاص بك. إذا كان الاستدعاء منخفضًا جدًا، يمكنك التفكير في تقنيات مثل زيادة البيانات أو أو ضبط المعلمة الفائقة لتحسين الحساسية.