Recall

El recall, también conocido como sensibilidad o tasa de verdaderos positivos, es una métrica de rendimiento fundamental en machine learning que mide la capacidad de un modelo para identificar todas las instancias relevantes dentro de un conjunto de datos. En el contexto de la detección de objetos o la clasificación, responde específicamente a la pregunta: "De todos los casos positivos reales, ¿cuántos encontró correctamente el modelo?". Conseguir un recall alto es crítico en situaciones en las que pasar por alto una instancia positiva (a menudo denominado falso negativo) conlleva consecuencias importantes. A diferencia de la precisión, que puede resultar engañosa al tratar con datos desequilibrados, el recall proporciona una visión centrada en la eficacia del modelo para "capturar" la clase objetivo.

Link to this sectionLa importancia de un recall alto#

En muchas aplicaciones de inteligencia artificial, el coste de no detectar un objeto es mucho mayor que el coste de una falsa alarma. Un modelo optimizado para el recall minimiza los falsos negativos, asegurando que el sistema utilice una red lo suficientemente amplia como para detectar amenazas potenciales, anomalías o condiciones críticas. Esto a menudo implica un compromiso, ya que aumentar el recall a veces puede llevar a una puntuación de precisión más baja, lo que significa que el modelo podría marcar más elementos no relevantes como positivos. Entender este equilibrio es clave para desarrollar soluciones robustas de machine learning.

Link to this sectionAplicaciones en el mundo real#

El recall es la métrica impulsora detrás de muchas soluciones de IA críticas para la seguridad. Aquí tienes dos ejemplos destacados donde la sensibilidad tiene prioridad:

• Medical Diagnostics: In medical image analysis, such as screening X-rays for early signs of disease, high recall is non-negotiable. If an AI in healthcare system is used to detect tumors, it is far better for the system to flag a suspicious shadow that turns out to be benign (a false positive) than to miss a malignant tumor entirely. Doctors rely on these tools to act as a safety net, ensuring no potential health risks are overlooked.
• Seguridad y vigilancia: Para un sistema de alarma de seguridad, el objetivo principal es detectar cada intento de intrusión. Un sistema optimizado para un recall alto asegura que si una persona entra en una zona restringida, la alarma se active. Aunque esto podría provocar falsas alarmas ocasionales causadas por animales salvajes, es preferible a que el sistema no detecte a un intruso real. Los modelos de detección de objetos en estos escenarios están ajustados para garantizar la máxima sensibilidad ante amenazas potenciales.

Link to this sectionRecall frente a Precisión#

Es esencial distinguir el recall de su homólogo, la precisión. Mientras que el recall mide la cantidad de casos relevantes encontrados (exhaustividad), la precisión mide la calidad de las predicciones positivas (exactitud).

• Recall: Se centra en evitar detecciones perdidas. "¿Encontramos todas las manzanas?"
• Precisión: Se centra en minimizar las falsas alarmas. "¿Son todas las cosas que llamamos manzanas realmente manzanas?"

Estas dos métricas suelen compartir una relación inversa, visualizada mediante una curva de Precisión-Recall. Para evaluar el equilibrio general entre ellas, los desarrolladores suelen observar la puntuación F1, que es la media armónica de ambas. En conjuntos de datos desequilibrados, observar el recall junto con la matriz de confusión ofrece una imagen mucho más clara del rendimiento que la precisión por sí sola.

Link to this sectionCómo medir el recall con Ultralytics YOLO#

Al entrenar modelos como el vanguardista YOLO26, el recall se calcula automáticamente durante la fase de validación. El framework calcula el recall para cada clase y la precisión media (mAP), ayudando a los desarrolladores a medir lo bien que el modelo encuentra objetos.

Puedes validar fácilmente un modelo entrenado y ver sus métricas de recall usando Python. Este fragmento demuestra cómo cargar un modelo y comprobar su rendimiento en un conjunto de datos estándar:

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}")

Este código utiliza la API de Ultralytics para ejecutar la validación. Si el recall es menor de lo requerido para tu proyecto, podrías considerar técnicas como el aumento de datos para crear ejemplos de entrenamiento más variados o el ajuste de hiperparámetros para ajustar la sensibilidad del modelo. Usar la Plataforma Ultralytics también puede agilizar el proceso de gestión de conjuntos de datos y el seguimiento de estas métricas durante múltiples ejecuciones de entrenamiento.

Link to this sectionMejorar el recall del modelo#

Para aumentar el recall de un modelo, los científicos de datos a menudo ajustan el umbral de confianza utilizado durante la inferencia. Bajar el umbral hace que el modelo sea más "optimista", aceptando más predicciones como positivas, lo que aumenta el recall pero puede disminuir la precisión. Además, recopilar datos de entrenamiento más diversos ayuda al modelo a aprender a reconocer falsos negativos difíciles e instancias oscuras. Para tareas complejas, emplear arquitecturas avanzadas como bloques Transformer o explorar métodos de ensamble también puede mejorar la capacidad del sistema para detectar características sutiles que modelos más simples podrían pasar por alto.