Recall

الاستدعاء (Recall)، المعروف أيضاً بالحساسية أو معدل الإيجابيات الصحيحة، هو مقياس أداء أساسي في تعلم الآلة يقيس قدرة النموذج على تحديد جميع الحالات ذات الصلة داخل مجموعة البيانات. في سياق اكتشاف الكائنات أو التصنيف، فإنه يجيب تحديداً على السؤال: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات التي عثر عليها النموذج بشكل صحيح؟". يعد تحقيق استدعاء مرتفع أمراً بالغ الأهمية في السيناريوهات التي يؤدي فيها فقدان حالة إيجابية -والتي غالباً ما يُشار إليها باسم السلبية الكاذبة- إلى عواقب وخيمة. وعلى عكس الدقة، التي قد تكون مضللة عند التعامل مع بيانات غير متوازنة، يوفر الاستدعاء رؤية مركزة حول فعالية النموذج في "التقاط" الفئة المستهدفة.

Link to this sectionأهمية الاستدعاء المرتفع#

في العديد من تطبيقات الذكاء الاصطناعي، تكون تكلفة الفشل في اكتشاف كائن أعلى بكثير من تكلفة الإنذار الكاذب. يعمل النموذج المُحسَّن للاستدعاء على تقليل السلبيات الكاذبة، مما يضمن أن النظام يلقي شبكة واسعة بما يكفي لالتقاط التهديدات المحتملة، أو الحالات الشاذة، أو الظروف الحرجة. غالباً ما ينطوي هذا على مقايضة، حيث يمكن أن تؤدي زيادة الاستدعاء أحياناً إلى انخفاض درجة الدقة، مما يعني أن النموذج قد يحدد المزيد من العناصر غير ذات الصلة على أنها إيجابية. فهم هذا التوازن هو المفتاح لتطوير حلول قوية في تعلم الآلة.

Link to this sectionتطبيقات العالم الحقيقي#

الاستدعاء هو المقياس المحرك وراء العديد من حلول الذكاء الاصطناعي ذات الأهمية الحيوية للسلامة. فيما يلي مثالان بارزان حيث تكون الحساسية لها الأولوية:

• التشخيص الطبي: في تحليل الصور الطبية، مثل فحص الأشعة السينية للكشف عن العلامات المبكرة للأمراض، يعد الاستدعاء المرتفع أمراً لا غنى عنه. إذا تم استخدام نظام ذكاء اصطناعي في الرعاية الصحية لاكتشاف الأورام، فمن الأفضل بكثير للنظام أن يحدد ظلاً مشبوهاً يتبين أنه حميد (إيجابي كاذب) بدلاً من أن يفوته ورم خبيث تماماً. يعتمد الأطباء على هذه الأدوات لتعمل كشبكة أمان، مما يضمن عدم إغفال أي مخاطر صحية محتملة.
• الأمن والمراقبة: بالنسبة لـ نظام إنذار أمني، الهدف الأساسي هو اكتشاف كل محاولة اختراق. يضمن النظام المُحسَّن للاستدعاء العالي أنه في حالة دخول شخص إلى منطقة محظورة، يتم إطلاق الإنذار. وعلى الرغم من أن هذا قد يؤدي إلى إنذارات كاذبة عرضية تسببها الحياة البرية، إلا أن هذا يفضل على فشل النظام في اكتشاف متسلل فعلي. يتم ضبط نماذج اكتشاف الكائنات في هذه السيناريوهات لضمان أقصى قدر من الحساسية تجاه التهديدات المحتملة.

Link to this sectionالاستدعاء مقابل الدقة#

من الضروري التمييز بين الاستدعاء ونظيره، الدقة. بينما يقيس الاستدعاء كمية الحالات ذات الصلة التي تم العثور عليها (الاكتمال)، تقيس الدقة جودة التوقعات الإيجابية (الضبط).

• 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 الميزتان في علاقة عكسية، يتم تصورها من خلال منحنى الدقة-الاستدعاء. لتقييم التوازن العام بينهما، ينظر المطورون غالباً إلى F1-score، وهو المتوسط التوافقي لكليهما. في مجموعات البيانات غير المتوازنة، يوفر النظر إلى الاستدعاء جنباً إلى جنب مع مصفوفة الارتباك صورة أوضح بكثير للأداء مقارنة بالدقة وحدها.

Link to this sectionقياس الاستدعاء باستخدام Ultralytics YOLO#

عند تدريب نماذج مثل YOLO26 المتطور، يتم حساب الاستدعاء تلقائياً أثناء مرحلة التحقق. يقوم الإطار بحساب الاستدعاء لكل فئة ومتوسط دقة متوسط (mAP)، مما يساعد المطورين على قياس مدى كفاءة النموذج في العثور 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 زيادة البيانات لإنشاء أمثلة تدريب أكثر تنوعاً أو ضبط المعلمات التشعبية لضبط حساسية النموذج. يمكن أن يؤدي استخدام Ultralytics Platform أيضاً إلى تبسيط عملية إدارة مجموعات البيانات وتتبع هذه المقاييس عبر عمليات تدريب متعددة.

Link to this sectionتحسين استدعاء النموذج#

لتعزيز استدعاء النموذج، يقوم علماء البيانات غالباً بضبط عتبة الثقة المستخدمة أثناء الاستدلال. خفض العتبة يجعل النموذج أكثر "تفاؤلاً"، حيث يقبل المزيد من التوقعات كإيجابية، مما يزيد من الاستدعاء ولكنه قد يقلل من الدقة. بالإضافة إلى ذلك، يساعد جمع المزيد من بيانات التدريب المتنوعة النموذج على تعلم التعرف على السلبيات الصعبة والحالات الغامضة. بالنسبة للمهام المعقدة، يمكن أيضاً أن يؤدي استخدام هياكل متقدمة مثل كتل Transformer أو استكشاف طرق التجميع إلى تحسين قدرة النظام على اكتشاف الميزات الدقيقة التي قد تفوتها النماذج الأبسط.