Exhaustividad

La recuperación, también conocida como sensibilidad o tasa de verdaderos positivos, es una para medir la capacidad de un modelo de capacidad de un modelo de aprendizaje automático (ML ) para identificar todas las instancias relevantes de un conjunto de datos. En esencia, la recuperación responde a la pregunta concreta "De todos los casos positivos reales, ¿cuántos detect con éxito el modelo?". Esta métrica se centra especialmente en minimizar los falsos negativos, garantizando que no se pasen por alto eventos u objetos críticos. Mientras que La precisión proporciona una visión general del rendimiento, la recuperación se convierte en el principal indicador del éxito en situaciones en las que no detectar un objetivo conlleva un coste mayor que una falsa alarma. falsa alarma.

La importancia de la recuperación en la IA

En muchas tareas de visión por ordenador (VC) y análisis de datos el coste de los errores no es uniforme. No detect un caso positivo (un error de tipo II) a veces puede ser peligroso o costoso. Una alta recuperación garantiza que el sistema lanza una amplia red para capturar el mayor número posible de verdaderos positivos. posibles. Esto se consigue a menudo ajustando el umbral de confianza durante la inferencia. de confianza durante la inferencia; reducir el umbral suele aumentar la recuperación, pero puede dar lugar a más falsos positivos.

Los ingenieros suelen analizar la curva precisión-recuerdo para comprender las compensaciones inherentes a sus modelos. Un modelo con un 100% de recuperación ha encontrado todos los objetos objetivo, aunque también puede haber etiquetado incorrectamente algunos ruidos de fondo como objetivos.

Aplicaciones en el mundo real

La recuperación es la métrica que impulsa muchas soluciones de críticas para la seguridad. He aquí dos ejemplos destacados en los que prioridad:

• Diagnóstico médico: En el campo del análisis de imágenes médicas, como la detección de enfermedades mediante radiografías o resonancias magnéticas, no es negociable una alta capacidad de recuperación. Si un modelo de modelo de IA para la detección de tumores tumores, es mucho mejor que el sistema marque una sombra sospechosa que resulte ser benigna (un falso positivo) que no detectar un tumor maligno (falso negativo). Los médicos confían en estas herramientas de IA en sanidad para actuar como red de seguridad, para garantizar que no se ignora ningún riesgo potencial para la salud.
• Seguridad y vigilancia: Para un sistema de alarma de seguridad, el objetivo principal es detect cualquier intento de intrusión. Un sistema optimizado para una alta capacidad de detección garantiza que si una persona entra en una zona restringida, se dispare la alarma. restringida, se dispara la alarma. Si bien esto puede dar lugar a falsas alarmas ocasionales causadas por animales o sombras, es preferible a que el sistema no detecte un intento real de intrusión. a que el sistema no detect a un intruso real. En estos casos, los modelos de detección de objetos para garantizar la máxima sensibilidad ante posibles amenazas.

Recall frente a precisión y exactitud

Comprender la diferencia entre recall y las métricas relacionadas es crucial para interpretar los resultados de la evaluación de modelos.

• Recuperación frente a precisión: Mientras que la recuperación mide la cantidad de verdaderos positivos encontrados, la precisión mide la calidad o fiabilidad de predicciones positivas. La precisión se pregunta: "De todos los elementos etiquetados como positivos, ¿cuántos eran realmente positivos". A menudo hay una compensación: aumentar la recuperación aceptando detecciones de menor confianza suele reducir la precisión. la precisión. La puntuación F1 es una métrica que combina ambas para ofrecer una visión equilibrada.
• Recall vs. Precisión: La precisión mide el porcentaje total de predicciones correctas (tanto positivas y negativas). Sin embargo, en Sinembargo, en conjuntos de datos desequilibrados -comouna línea de fabricación en la que el 99% de las piezas son buenas y sólo el 1% son defectuosas- un modelo podría predecir simplemente un modelo podría simplemente predecir "bueno" todas las veces y alcanzar una precisión del 99%, mientras que tendría un 0% de recuperación de defectos. En estas tareas de detección de anomalías, la recuperación es una métrica mucho más honesta que la precisión. honesta que la precisión.

Medición del recuerdo con Ultralytics YOLO

Al desarrollar modelos con el Ultralytics YOLO11 la memoria se calcula automáticamente automáticamente durante el proceso de validación. El marco calcula la recuperación para cada clase y la precisión media (mAP), lo que ayuda a los a los desarrolladores a evaluar la eficacia del modelo para encontrar objetos.

Puede validar fácilmente un modelo entrenado y ver sus métricas de recuperación utilizando Python:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on a standard dataset like COCO8
# The results will include Precision (P), Recall (R), and mAP
metrics = model.val(data="coco8.yaml")

# Access the mean recall score from the results
print(f"Mean Recall: {metrics.results_dict['metrics/recall(B)']}")

Este fragmento de código carga un YOLO11 y ejecuta la validación en el conjunto de datosCOCO8 . La salida El resultado ofrece un desglose exhaustivo del rendimiento, lo que le permite evaluar si su modelo cumple los requisitos de recuperación necesarios para su aplicación específica. necesarios para su aplicación específica. Si la recuperación es demasiado baja, puede plantearse técnicas como aumento de datos o o el ajuste de hiperparámetros para mejorar la sensibilidad.