استرجاع

كيف يتم حساب الاستدعاء

يتم حساب التذكّر بقسمة عدد الحالات الإيجابية الحقيقية (TP) على مجموع الحالات الإيجابية الحقيقية والسلبيات الخاطئة (FN). الإيجابيات الصحيحة هي الحالات التي تم تحديدها بشكل صحيح على أنها إيجابية، في حين أن السلبيات الخاطئة هي الحالات الإيجابية التي صنفها النموذج بشكل خاطئ على أنها سلبية. تشير درجة الاسترجاع العالية إلى أن النموذج فعال في العثور على معظم الحالات الإيجابية في البيانات. ويُعد هذا المقياس أساسيًا لتقييم أداء النموذج، خاصةً في مهام مثل اكتشاف الكائنات وتصنيف الصور. غالبًا ما تعرض أدوات ومنصات مثل Ultralytics HUB مقياس Recall إلى جانب مقاييس أخرى أثناء تقييم النموذج.

الاستدعاء مقابل. المقاييس ذات الصلة

غالبًا ما يتضمن فهم الاستدعاء مقارنته بمقاييس التقييم الشائعة الأخرى:

• الدقة: بينما يركز Recall على التقاط جميع الحالات الإيجابية الفعلية، تقيس الدقة دقة التنبؤات الإيجابية التي يقوم بها النموذج (TP / (TP + الإيجابيات الخاطئة)). غالبًا ما تكون هناك مفاضلة بين الدقة والاستدعاء؛ فقد يؤدي تحسين أحدهما إلى تقليل الآخر. يُعرف هذا بالمقايضة بين الدقة والاستدعاء.
• الدقة: تقيس الدقة صحة النموذج بشكل عام عبر جميع الفئات ((TP + السلبيات الحقيقية) / إجمالي التنبؤات). ومع ذلك، يمكن أن تكون الدقة مضللة، خاصةً مع مجموعات البيانات غير المتوازنة حيث تفوق فئة واحدة عدد الفئات الأخرى بشكل كبير. في مثل هذه الحالات، غالبًا ما يكون استرجاع فئة الأقلية مقياسًا أكثر إفادة.
• F1-Score: F1-Score هو المتوسط التوافقي للدقة والاسترجاع، مما يوفر مقياسًا واحدًا يوازن بين كلا الأمرين. يكون مفيدًا عندما تحتاج إلى حل وسط بين العثور على جميع الحالات الإيجابية (Recall) والتأكد من أن الحالات المحددة إيجابية بالفعل (الدقة). يمكنك استكشاف الأدلة التفصيلية حول مقاييس أداءYOLO للحصول على مزيد من الأفكار.

الأهمية والتطبيقات

يعد الاستدعاء العالي أمرًا بالغ الأهمية في التطبيقات التي يكون فيها فقدان الحالات الإيجابية مكلفًا أو خطيرًا. ينصب التركيز على تقليل الحالات السلبية الكاذبة.

• تحليل الصور الطبية: في أنظمة التشخيص، مثل الكشف عن الأورام السرطانية من عمليات المسح الضوئي، فإن تعظيم التذكر أمر بالغ الأهمية. يمكن أن يكون للفشل في اكتشاف المرض (سلبي كاذب) عواقب صحية وخيمة على المريض، مما يجعل من الأفضل أن يكون هناك بعض النتائج الإيجابية الكاذبة (وضع علامة على الأنسجة السليمة على أنها مريضة محتملة) التي يمكن استبعادها عن طريق إجراء المزيد من الاختبارات. يعتمد الذكاء الاصطناعي في مجال الرعاية الصحية بشكل كبير على نماذج عالية الاستدعاء للفحص، مما يساهم في التطورات التي تمت مناقشتها في مجلات مثل مجلة "راديولوجي": الذكاء الاصطناعي. على سبيل المثال، يتطلب الكشف عن أورام الدماغ حساسية عالية.
• كشف الاحتيال: في الأنظمة المالية، يعد تحديد المعاملات الاحتيالية أمرًا بالغ الأهمية. يضمن نموذج الاستدعاء العالي اكتشاف معظم محاولات الاحتيال الفعلية، مما يقلل من الخسائر المالية. في حين أن هذا قد يؤدي إلى الإبلاغ عن بعض المعاملات المشروعة لمراجعتها (الإيجابيات الكاذبة)، إلا أن تكلفة فقدان معاملة احتيالية (سلبية كاذبة) عادةً ما تكون أعلى بكثير. يعطي العديد من الذكاء الاصطناعي في التطبيقات المالية الأولوية للاستدعاء.
• الأنظمة الأمنية: بالنسبة لأنظمة المراقبة المصممة لاكتشاف المتسللين أو التهديدات، يضمن الاستدعاء العالي عدم تفويت الأخطار المحتملة. قد يؤدي إغفال تهديد فعلي (سلبي كاذب) إلى تعريض السلامة للخطر، كما هو الحال في التطبيقات الأمنية القائمة على الذكاء الاصطناعي.
• مراقبة الجودة في التصنيع: في أنظمة الفحص المؤتمتة، يساعد الاستدعاء العالي في تحديد جميع المنتجات المعيبة تقريبًا على خط الإنتاج، مما يمنع وصول المنتجات المعيبة إلى المستهلكين. يمكن أن يؤدي عدم وجود عيب (سلبي كاذب) إلى عدم رضا العملاء ومشاكل تتعلق بالسلامة. تعرف على المزيد حول الذكاء الاصطناعي في التصنيع.

الاسترجاع في نماذجYOLO في Ultralytics

في سياق الرؤية الحاسوبية (CV) ونماذج مثل Ultralytics YOLOفإن التذكر هو مقياس رئيسي يُستخدم إلى جانب الدقة ومتوسط الدقة (mAP) لتقييم الأداء في مهام مثل اكتشاف الكائنات وتجزئة النماذج. غالبًا ما يكون تحقيق توازن جيد بين التذكر والدقة أمرًا ضروريًا لتحقيق أداء قوي في العالم الحقيقي. على سبيل المثال، عند مقارنة نماذج مثل YOLOv8 مقابل YOLO11 يساعد Recall على فهم مدى جودة كل نموذج في تحديد جميع الكائنات المستهدفة. يمكن للمستخدمين تدريب نماذج مخصصة باستخدام أطر عمل مثل PyTorch أو TensorFlow وتتبع Recall باستخدام أدوات مثل Weights & Biases أو الميزات المدمجة في Ultralytics HUB. يساعد فهم Recall على تحسين النماذج لحالات استخدام محددة، مما قد يتضمن ضبط المعلمة الفائقة أو استكشاف بنيات نماذج مختلفة مثل YOLOv10 أو أحدث YOLO11. تقدم موارد مثل وثائقUltralytics أدلة شاملة حول التدريب والتقييم.