Recall

الاستدعاء، المعروف أيضًا باسم الحساسية أو معدل الإيجابيات الحقيقية، هو مقياس أساسي للأداء في تعلّم الآلة يقيس قدرة النموذج على تحديد جميع الحالات ذات الصلة ضمن مجموعة بيانات. وفي سياق اكتشاف الأجسام أو التصنيف، يجيب تحديدًا عن السؤال التالي: "من بين جميع الحالات الإيجابية الفعلية، كم حالة تمكّن النموذج من العثور عليها بشكل صحيح؟" يُعد تحقيق استدعاء مرتفع أمرًا بالغ الأهمية في السيناريوهات التي يترتب فيها على تفويت حالة إيجابية—وغالبًا ما يُشار إليها باسم سلبية كاذبة—عواقب كبيرة. وعلى خلاف الصحة، التي قد تكون مضللة عند التعامل مع البيانات غير المتوازنة، يقدّم الاستدعاء رؤية مركّزة لمدى فعالية النموذج في "التقاط" الفئة المستهدفة.

أهمية الاستدعاء المرتفع#

في العديد من تطبيقات الذكاء الاصطناعي، تكون تكلفة الفشل في اكتشاف جسم ما أعلى بكثير من تكلفة الإنذار الكاذب. ويقلّل النموذج المُحسّن للاستدعاء من السلبيات الكاذبة، مما يضمن أن ينصبّ النظام شباكه على نطاق واسع بما يكفي لالتقاط التهديدات أو الحالات الشاذة أو الظروف الحرجة المحتملة. وغالبًا ما ينطوي ذلك على مفاضلة، إذ إن زيادة الاستدعاء قد تؤدي أحيانًا إلى انخفاض نتيجة الإحكام، ما يعني أن النموذج قد يضع علامة إيجابية على عناصر غير ذات صلة أكثر. ويُعد فهم هذا التوازن مفتاحًا لتطوير حلول قوية في تعلّم الآلة.

التطبيقات الواقعية#

يُعد الاستدعاء المقياس المحرّك للعديد من حلول AI الحرجة للسلامة. فيما يلي مثالان بارزان تكون فيهما الحساسية هي الأولوية:

• التشخيص الطبي: في تحليل الصور الطبية، مثل فحص الأشعة السينية بحثًا عن العلامات المبكرة للمرض، لا غنى عن الاستدعاء المرتفع. فإذا استُخدم نظام AI في الرعاية الصحية لاكتشاف الأورام، فمن الأفضل بكثير أن يضع النظام علامة على ظلّ مشبوه يتضح أنه حميد (إيجابي كاذب)، بدلًا من أن يفوّت ورمًا خبيثًا بالكامل. ويعتمد الأطباء على هذه الأدوات لتعمل كشبكة أمان، بما يضمن عدم إغفال أي مخاطر صحية محتملة.
• الأمن والمراقبة: بالنسبة إلى نظام إنذار أمني، يتمثل الهدف الأساسي في اكتشاف كل محاولة تسلل. ويضمن النظام المُحسّن للاستدعاء المرتفع إطلاق الإنذار عند دخول شخص إلى منطقة محظورة. ومع أن ذلك قد يؤدي إلى إنذارات كاذبة عرضية بسبب الحيوانات البرية، فإنه يظل أفضل من فشل النظام في اكتشاف متسلل فعلي. وتُضبط نماذج اكتشاف الأجسام في هذه السيناريوهات لضمان أقصى حساسية ممكنة تجاه التهديدات المحتملة.

الاستدعاء في مقابل الإحكام#

من الضروري التمييز بين الاستدعاء ونظيره، الإحكام. ففي حين يقيس الاستدعاء كمية الحالات ذات الصلة التي عُثر عليها (الاكتمال)، يقيس الإحكام جودة التنبؤات الإيجابية (الدقة).

• الاستدعاء: يركّز على تجنّب الاكتشافات الفائتة. "هل عثرنا على جميع التفاحات؟"
• الإحكام: يركّز على تقليل الإنذارات الكاذبة. "هل جميع الأشياء التي سمّيناها تفاحات هي في الواقع تفاحات؟"

غالبًا ما ترتبط هاتان الدالتان بعلاقة عكسية، ويُصوَّر ذلك من خلال منحنى الإحكام والاستدعاء. ولتقييم التوازن العام بينهما، ينظر المطوّرون غالبًا إلى درجة F1، وهي المتوسط التوافقي لكليهما. وفي مجموعات البيانات غير المتوازنة، فإن النظر إلى الاستدعاء إلى جانب مصفوفة الالتباس يعطي صورة أوضح بكثير عن الأداء مقارنةً بالصحة وحدها.

قياس الاستدعاء باستخدام Ultralytics YOLO#

عند تدريب نماذج مثل YOLO26 المتطور، يُحسب الاستدعاء تلقائيًا أثناء مرحلة التحقق. ويحسب الإطار الاستدعاء لكل فئة ومتوسط الدقة (mAP)، مما يساعد المطوّرين على تقدير مدى جودة عثور النموذج على الأجسام.

يمكنك بسهولة التحقق من نموذج مُدرَّب وعرض مقاييس الاستدعاء الخاصة به باستخدام Python. يوضّح 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 الرمز واجهة برمجة تطبيقات Ultralytics لإجراء التحقق. وإذا كان الاستدعاء أقل من المستوى المطلوب لمشروعك، فقد تفكر في استخدام تقنيات مثل زيادة البيانات لإنشاء أمثلة تدريبية أكثر تنوعًا، أو ضبط المعلمات الفائقة لضبط حساسية النموذج. كما يمكن أن يؤدي استخدام منصة Ultralytics إلى تبسيط عملية إدارة مجموعات البيانات وتتبع هذه المقاييس عبر عمليات تدريب متعددة.

تحسين استدعاء النموذج#

لزيادة استدعاء النموذج، غالبًا ما يضبط علماء البيانات عتبة الثقة المستخدمة أثناء الاستدلال. ويجعل خفض العتبة النموذج أكثر "تفاؤلًا"، إذ يقبل مزيدًا من التنبؤات بوصفها إيجابية، مما يزيد الاستدعاء لكنه قد يقلّل الإحكام. بالإضافة إلى ذلك، يساعد جمع بيانات تدريب أكثر تنوعًا النموذجَ على تعلّم التعرّف على السلبيات الصعبة والحالات المستترة. وبالنسبة إلى المهام المعقدة، يمكن أن يؤدي استخدام بنيات متقدمة مثل كتل Transformer أو استكشاف أساليب التجميع إلى تحسين قدرة النظام على اكتشاف السمات الدقيقة التي قد تفوّتها النماذج الأبسط.