Recall

La exhaustividad, también conocida como sensibilidad o tasa de verdaderos positivos, es una métrica fundamental del rendimiento en aprendizaje automático que mide la capacidad de un modelo para identificar todas las instancias relevantes 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 realmente positivos, ¿cuántos ha encontrado correctamente el modelo?». Lograr una exhaustividad alta es fundamental en situaciones en las que no detectar una instancia positiva —lo que suele denominarse falso negativo— tiene consecuencias importantes. A diferencia de la exactitud, que puede resultar engañosa cuando se trabaja con datos desequilibrados, la exhaustividad ofrece una visión centrada en la eficacia del modelo para «capturar» la clase objetivo.

La importancia de una exhaustividad alta#

En muchas aplicaciones de inteligencia artificial, el coste de no detectar un objeto es muy superior al de una falsa alarma. Un modelo optimizado para la exhaustividad minimiza los falsos negativos y garantiza que el sistema abarque lo suficiente para detectar posibles amenazas, anomalías o situaciones críticas. Esto suele implicar un equilibrio, ya que aumentar la exhaustividad puede reducir la puntuación de precisión, lo que significa que el modelo podría señalar como positivos más elementos irrelevantes. Comprender este equilibrio es fundamental para desarrollar soluciones robustas de aprendizaje automático.

Aplicaciones en el mundo real#

La exhaustividad es la métrica clave que sustenta muchas soluciones de IA críticas para la seguridad. Aquí tienes dos ejemplos destacados en los que la sensibilidad tiene prioridad:

• Diagnóstico médico: En el análisis de imágenes médicas, por ejemplo, al examinar radiografías para detectar signos tempranos de enfermedad, una exhaustividad alta es innegociable. Si se utiliza un sistema de IA en el sector sanitario para detectar tumores, es mucho mejor que el sistema señale una sombra sospechosa que resulte benigna (un falso positivo) a que no detecte un tumor maligno. Los médicos confían en estas herramientas como red de seguridad para garantizar que no se pase por alto ningún posible riesgo para la salud.
• Seguridad y vigilancia: En un sistema de alarma de seguridad, el objetivo principal es detectar todos los intentos de intrusión. Un sistema optimizado para una alta exhaustividad garantiza que la alarma se active si alguien entra en una zona restringida. Aunque esto puede provocar alguna falsa alarma ocasional por la presencia de animales, es preferible a que el sistema no detecte una intrusión real. En estos casos, los modelos de detección de objetos se ajustan para maximizar la sensibilidad ante posibles amenazas.

Exhaustividad frente a precisión#

Es fundamental distinguir la exhaustividad de su métrica complementaria, la precisión. La exhaustividad mide la cantidad de casos relevantes encontrados (cobertura), mientras que la precisión mide la calidad de las predicciones positivas (exactitud).

• Exhaustividad: Se centra en evitar que se pasen por alto detecciones. «¿Hemos encontrado todas las manzanas?»
• Precisión: Se centra en minimizar las falsas alarmas. «¿Son realmente manzanas todas las cosas que hemos identificado como manzanas?»

Estas dos métricas suelen tener una relación inversa, que se representa mediante una curva de precisión-exhaustividad. Para evaluar el equilibrio general entre ambas, los desarrolladores suelen recurrir al valor F1, que es la media armónica de las dos. En conjuntos de datos desequilibrados, analizar la exhaustividad junto con la matriz de confusión ofrece una visión del rendimiento mucho más clara que la exactitud por sí sola.

Medición de la exhaustividad con Ultralytics YOLO#

Al entrenar modelos como el avanzado YOLO26, la exhaustividad se calcula automáticamente durante la fase de validación. El marco de trabajo calcula la exhaustividad de cada clase y la precisión media (mAP), lo que ayuda a los desarrolladores a evaluar la capacidad del modelo para encontrar objetos.

Puedes validar fácilmente un modelo entrenado y consultar sus métricas de exhaustividad con Python. Este fragmento muestra 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 la exhaustividad es inferior a la que necesita tu proyecto, puedes plantearte técnicas como el aumento de datos para crear ejemplos de entrenamiento más variados o el ajuste de hiperparámetros para modificar la sensibilidad del modelo. La plataforma Ultralytics también puede agilizar la gestión de conjuntos de datos y el seguimiento de estas métricas en varias ejecuciones de entrenamiento.

Mejorar la exhaustividad del modelo#

Para aumentar la exhaustividad de un modelo, los científicos de datos suelen ajustar el umbral de confianza utilizado durante la inferencia. Al bajar el umbral, el modelo se vuelve más «optimista» y acepta más predicciones como positivas, lo que aumenta la exhaustividad, pero puede reducir la precisión. Además, recopilar datos de entrenamiento más variados ayuda al modelo a reconocer casos poco habituales que, de otro modo, clasificaría erróneamente como falsos negativos. Para tareas complejas, utilizar arquitecturas avanzadas, como bloques Transformer, o explorar métodos de conjunto también puede mejorar la capacidad del sistema para detectar características sutiles que los modelos más sencillos podrían pasar por alto.