Recall

Recall, auch als Sensitivität oder Trefferquote bezeichnet, ist eine grundlegende Leistungsmetrik im maschinellen Lernen. Sie misst, wie gut ein Modell alle relevanten Instanzen innerhalb eines Datensatzes erkennt. Im Kontext der Objekterkennung oder Klassifizierung beantwortet sie konkret die Frage: "Wie viele der tatsächlich positiven Fälle hat das Modell korrekt gefunden?" Ein hoher Recall ist in Szenarien entscheidend, in denen das Übersehen einer positiven Instanz – oft als falsch negatives Ergebnis bezeichnet – erhebliche Konsequenzen hat. Anders als die Genauigkeit, die bei unausgewogenen Daten irreführend sein kann, bietet Recall einen fokussierten Einblick in die Effektivität des Modells beim "Erfassen" der Zielklasse.

Die Bedeutung eines hohen Recalls#

Bei vielen Anwendungen der künstlichen Intelligenz sind die Kosten dafür, ein Objekt nicht zu erkennen, deutlich höher als die Kosten eines Fehlalarms. Ein auf Recall optimiertes Modell minimiert falsch negative Ergebnisse und stellt sicher, dass das System weit genug sucht, um potenzielle Bedrohungen, Anomalien oder kritische Zustände zu erkennen. Dies bringt häufig einen Zielkonflikt mit sich, da ein höherer Recall zu einem niedrigeren Wert für die Präzision führen kann. Das bedeutet, dass das Modell möglicherweise mehr nicht relevante Elemente als positiv einstuft. Das Verständnis dieses Gleichgewichts ist entscheidend für die Entwicklung robuster Lösungen für das maschinelle Lernen.

Anwendungen in der Praxis#

Recall ist die maßgebliche Metrik hinter vielen sicherheitskritischen KI-Lösungen. Hier sind zwei herausragende Beispiele, bei denen die Sensitivität Vorrang hat:

• Medizinische Diagnostik: Bei der Analyse medizinischer Bilder, etwa bei der Untersuchung von Röntgenaufnahmen auf frühe Anzeichen einer Krankheit, ist ein hoher Recall unverzichtbar. Wenn ein KI-System im Gesundheitswesen zur Erkennung von Tumoren eingesetzt wird, ist es wesentlich besser, wenn das System einen verdächtigen Schatten meldet, der sich als gutartig herausstellt (ein falsch positives Ergebnis), als wenn es einen bösartigen Tumor vollständig übersieht. Ärzte verlassen sich auf diese Werkzeuge als Sicherheitsnetz, damit keine potenziellen Gesundheitsrisiken übersehen werden.
• Sicherheit und Überwachung: Bei einem Sicherheitsalarmsystem besteht das vorrangige Ziel darin, jeden Einbruchsversuch zu erkennen. Ein auf hohen Recall optimiertes System stellt sicher, dass der Alarm ausgelöst wird, wenn eine Person einen gesperrten Bereich betritt. Auch wenn dies gelegentlich zu Fehlalarmen durch Wildtiere führen kann, ist das besser, als wenn das System einen tatsächlichen Eindringling nicht erkennt. Objekterkennungs modelle werden in solchen Szenarien so abgestimmt, dass sie maximale Sensitivität gegenüber potenziellen Bedrohungen aufweisen.

Recall im Vergleich zur Präzision#

Es ist wichtig, Recall von seinem Gegenstück, der Präzision, zu unterscheiden. Während Recall die Menge der gefundenen relevanten Fälle misst (Vollständigkeit), misst die Präzision die Qualität der positiven Vorhersagen (Genauigkeit).

• Recall: Konzentriert sich darauf, übersehene Erkennungen zu vermeiden. "Haben wir alle Äpfel gefunden?"
• Präzision: Konzentriert sich darauf, Fehlalarme zu minimieren. "Sind alle Dinge, die wir als Äpfel bezeichnet haben, tatsächlich Äpfel?"

Diese beiden Metriken stehen häufig in einem umgekehrten Verhältnis, das durch eine Precision-Recall-Kurve dargestellt wird. Um das allgemeine Gleichgewicht zwischen ihnen zu bewerten, betrachten Entwickler häufig den F1-Score, das harmonische Mittel beider Werte. Bei unausgewogenen Datensätzen liefert die Betrachtung von Recall zusammen mit der Konfusionsmatrix ein deutlich klareres Bild der Leistung als die Genauigkeit allein.

Recall mit Ultralytics YOLO messen#

Beim Trainieren von Modellen wie dem hochmodernen YOLO26 wird Recall während der Validierungsphase automatisch berechnet. Das Framework berechnet Recall für jede Klasse sowie die mittlere durchschnittliche Präzision (mAP) und hilft Entwicklern dadurch einzuschätzen, wie gut das Modell Objekte findet.

Du kannst ein trainiertes Modell einfach validieren und seine Recall-Metriken mit Python anzeigen. Dieses Beispiel zeigt, wie du ein Modell lädst und seine Leistung anhand eines Standarddatensatzes überprüfst:

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}")

Dieser Code verwendet die Ultralytics API, um eine Validierung durchzuführen. Wenn der Recall niedriger ist als für dein Projekt erforderlich, kannst du Techniken wie Datenerweiterung in Betracht ziehen, um vielfältigere Trainingsbeispiele zu erzeugen, oder eine Hyperparameter-Optimierung durchführen, um die Sensitivität des Modells anzupassen. Die Ultralytics Platform kann außerdem den Prozess der Verwaltung von Datensätzen und der Verfolgung dieser Metriken über mehrere Trainingsläufe hinweg vereinfachen.

Den Recall eines Modells verbessern#

Um den Recall eines Modells zu erhöhen, passen Datenwissenschaftler häufig den bei der Inferenz verwendeten Konfidenzschwellenwert an. Durch das Absenken des Schwellenwerts wird das Modell "optimistischer" und akzeptiert mehr Vorhersagen als positiv. Dadurch steigt der Recall, während die Präzision möglicherweise abnimmt. Zusätzlich hilft das Sammeln vielfältigerer Trainingsdaten dem Modell, schwierige Negativbeispiele und schwer erkennbare Instanzen zu lernen. Bei komplexen Aufgaben können auch fortgeschrittene Architekturen wie Transformer-Blöcke oder Ensemble-Methoden die Fähigkeit des Systems verbessern, subtile Merkmale zu erkennen, die einfachere Modelle möglicherweise übersehen.