Recall

Le rappel, également appelé sensibilité ou taux de vrais positifs, est une métrique fondamentale de performance en apprentissage automatique qui mesure la capacité d’un modèle à identifier toutes les instances pertinentes d’un jeu de données. Dans le contexte de la détection d’objets ou de la classification, il répond précisément à la question suivante : « Parmi tous les cas réellement positifs, combien le modèle a-t-il correctement trouvés ? » Un rappel élevé est essentiel lorsque manquer une instance positive — souvent qualifié de faux négatif — entraîne des conséquences importantes. Contrairement à l’exactitude, qui peut être trompeuse avec des données déséquilibrées, le rappel donne une vision ciblée de l’efficacité du modèle à « détecter » la classe recherchée.

L’importance d’un rappel élevé#

Dans de nombreuses applications d’intelligence artificielle, le coût de la non-détection d’un objet est bien supérieur à celui d’une fausse alerte. Un modèle optimisé pour le rappel réduit les faux négatifs et veille à ce que le système ratisse suffisamment large pour repérer les menaces, anomalies ou situations critiques potentielles. Cela implique souvent un compromis, car augmenter le rappel peut parfois faire baisser le score de précision, ce qui signifie que le modèle risque de signaler davantage d’éléments non pertinents comme positifs. Comprendre cet équilibre est essentiel pour développer des solutions robustes d’apprentissage automatique.

Applications concrètes#

Le rappel est la métrique clé de nombreuses solutions d’IA critiques pour la sécurité. Voici deux exemples importants où la sensibilité prime :

• Diagnostic médical : En analyse d’images médicales, par exemple lors du dépistage précoce de maladies sur des radiographies, un rappel élevé est indispensable. Si un système d’IA dans le secteur de la santé détecte des tumeurs, mieux vaut qu’il signale une ombre suspecte qui se révèle bénigne (faux positif) plutôt que de manquer complètement une tumeur maligne. Les médecins s’appuient sur ces outils comme filet de sécurité afin qu’aucun risque potentiel pour la santé ne passe inaperçu.
• Sécurité et surveillance : Pour un système d’alarme de sécurité, l’objectif principal est de détecter chaque tentative d’intrusion. Un système optimisé pour un rappel élevé garantit que l’alarme se déclenche lorsqu’une personne entre dans une zone réglementée. Même si cela peut occasionner quelques fausses alertes dues à la faune, c’est préférable à une absence de détection d’un véritable intrus. Dans ces situations, les modèles de détection d’objets sont réglés pour maximiser leur sensibilité aux menaces potentielles.

Rappel et précision#

Il est essentiel de distinguer le rappel de son pendant, la précision. Le rappel mesure la quantité de cas pertinents trouvés (exhaustivité), tandis que la précision mesure la qualité des prédictions positives (exactitude).

• Rappel : vise à éviter les détections manquées. « Avons-nous trouvé toutes les pommes ? »
• Précision : vise à réduire les fausses alertes. « Tous les éléments que nous avons appelés des pommes sont-ils vraiment des pommes ? »

Ces deux métriques sont souvent inversement liées, comme le montre la courbe précision-rappel. Pour évaluer leur équilibre global, les développeurs examinent souvent le score F1, qui est leur moyenne harmonique. Avec des jeux de données déséquilibrés, l’examen du rappel associé à la matrice de confusion donne une image des performances bien plus claire que l’exactitude seule.

Mesurer le rappel avec Ultralytics YOLO#

Lors de l’entraînement de modèles comme le très récent YOLO26, le rappel est calculé automatiquement pendant la phase de validation. Le framework calcule le rappel pour chaque classe ainsi que la précision moyenne (mAP), ce qui aide les développeurs à évaluer la capacité du modèle à trouver les objets.

Tu peux facilement valider un modèle entraîné et consulter ses métriques de rappel avec Python. Cet extrait montre comment charger un modèle et vérifier ses performances sur un jeu de données standard :

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}")

Ce code utilise l’API Ultralytics pour lancer la validation. Si le rappel est inférieur aux exigences de ton projet, tu peux envisager des techniques comme l’augmentation des données pour créer des exemples d’entraînement plus variés ou l’optimisation des hyperparamètres pour ajuster la sensibilité du modèle. La plateforme Ultralytics peut aussi simplifier la gestion des jeux de données et le suivi de ces métriques au fil des cycles d’entraînement.

Améliorer le rappel du modèle#

Pour augmenter le rappel d’un modèle, les spécialistes des données ajustent souvent le seuil de confiance utilisé pendant l’inférence. Abaisser le seuil rend le modèle plus « optimiste » : il accepte davantage de prédictions comme positives, ce qui augmente le rappel, mais peut diminuer la précision. De plus, collecter des données d’entraînement plus diversifiées aide le modèle à apprendre à reconnaître les exemples négatifs difficiles et les instances peu visibles. Pour les tâches complexes, le recours à des architectures avancées comme les blocs Transformer ou l’exploration de méthodes d’ensemble peuvent aussi améliorer la capacité du système à détecter des caractéristiques subtiles que des modèles plus simples risquent de manquer.