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 au sein 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 détectés ? » Atteindre un rappel élevé est essentiel dans les situations où manquer une instance positive — souvent appelée un faux négatif — entraîne des conséquences importantes. Contrairement à l’exactitude, qui peut être trompeuse lorsque les données sont déséquilibrées, le rappel offre une vision ciblée de l’efficacité du modèle à « capturer » la classe cible.

L’importance d’un rappel élevé#

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

Applications concrètes#

Le rappel est la métrique déterminante derrière de nombreuses solutions AI critiques pour la sécurité. Voici deux exemples marquants où la sensibilité est prioritaire :

• Diagnostics médicaux : Dans l’analyse d’images médicales, par exemple lors du dépistage de signes précoces de maladie sur des radiographies, un rappel élevé est indispensable. Si un système d’AI dans le domaine de la santé est utilisé pour détecter des tumeurs, il est largement préférable que le système signale une ombre suspecte qui s’avère bénigne (un faux positif) plutôt qu’il ne manque complètement une tumeur maligne. Les médecins comptent sur ces outils comme filet de sécurité, afin qu’aucun risque potentiel pour la santé ne soit négligé.
• Sécurité et surveillance : Pour un système d’alarme de sécurité, l’objectif principal est de détecter toute tentative d’intrusion. Un système optimisé pour un rappel élevé garantit que, si une personne entre dans une zone restreinte, l’alarme se déclenche. Même si cela peut entraîner occasionnellement de fausses alertes causées par des animaux sauvages, cela reste préférable à une incapacité du système à détecter un véritable intrus. Les modèles de détection d’objets utilisés dans ces situations sont réglés pour assurer une sensibilité maximale aux menaces potentielles.

Rappel et précision#

Il est essentiel de distinguer le rappel de son complément, la précision. Alors que le rappel mesure la quantité de cas pertinents détectés (complétude), la précision mesure la qualité des prédictions positives (exactitude).

• Rappel : se concentre sur l’évitement des détections manquées. « Avons-nous trouvé toutes les pommes ? »
• Précision : se concentre sur la réduction des fausses alertes. « Tous les éléments que nous avons appelés des pommes sont-ils réellement des pommes ? »

Ces deux métriques entretiennent souvent une relation inverse, visualisée au moyen d’une courbe précision-rappel. Pour évaluer l’équilibre global entre elles, les développeurs examinent souvent le score F1, qui correspond à leur moyenne harmonique. Dans les jeux de données déséquilibrés, examiner le rappel conjointement à la matrice de confusion donne une image bien plus précise des performances que l’exactitude seule.

Mesurer le rappel avec Ultralytics YOLO#

Lors de l’entraînement de modèles comme le YOLO26 de pointe, 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 détecter les objets.

Tu peux facilement valider un modèle entraîné et consulter ses métriques de rappel à l’aide de 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 exécuter la validation. Si le rappel est inférieur à ce qui est requis pour 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. L’utilisation de la plateforme Ultralytics peut également simplifier la gestion des jeux de données et le suivi de ces métriques sur plusieurs exécutions d’entraînement.

Améliorer le rappel du modèle#

Pour augmenter le rappel d’un modèle, les data scientists ajustent souvent le seuil de confiance utilisé lors de l’inférence. Abaisser le seuil rend le modèle plus « optimiste » : il accepte davantage de prédictions comme positives, ce qui augmente le rappel mais peut réduire la précision. En outre, recueillir des données d’entraînement plus diversifiées aide le modèle à apprendre à reconnaître les négatifs difficiles et les instances peu visibles. Pour les tâches complexes, l’utilisation d’architectures avancées comme les blocs Transformer ou l’exploration de méthodes d’ensemble peuvent également améliorer la capacité du système à détecter des caractéristiques subtiles que des modèles plus simples pourraient manquer.