Recall

Le rappel, aussi appelé sensibilité ou taux de vrais positifs, est une métrique de performance fondamentale en machine learning 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 : « Sur l'ensemble des cas réellement positifs, combien le modèle en a-t-il trouvés correctement ? » Atteindre un rappel élevé est crucial dans les scénarios où manquer une instance positive — souvent appelée faux négatif — entraîne des conséquences significatives. Contrairement à la précision, qui peut être trompeuse avec des données déséquilibrées, le rappel offre une vue ciblée sur l'efficacité du modèle à « capturer » la classe cible.

Link to this sectionL'importance d'un rappel élevé#

Dans de nombreuses applications d'intelligence artificielle, le coût de l'échec de détection d'un objet est bien plus élevé que le coût d'une fausse alerte. Un modèle optimisé pour le rappel minimise les faux négatifs, garantissant que le système dispose d'un filet suffisamment large pour attraper des menaces, anomalies ou conditions critiques potentielles. Cela implique souvent un compromis, car augmenter le rappel peut parfois mener à un score de précision plus faible, signifiant que le modèle pourrait signaler davantage d'éléments non pertinents comme étant positifs. Comprendre cet équilibre est essentiel pour développer des solutions de machine learning robustes.

Link to this sectionApplications concrètes#

Le rappel est la métrique motrice derrière de nombreuses solutions d'IA critiques pour la sécurité. Voici deux exemples marquants où la sensibilité prend le pas :

• Diagnostics médicaux : Dans l'analyse d'images médicales, comme le dépistage par rayons X pour les signes précoces de maladie, un rappel élevé est non négociable. Si un système d'IA dans la santé est utilisé pour détecter des tumeurs, il est bien préférable pour le système de signaler une ombre suspecte qui s'avère bénigne (un faux positif) plutôt que de manquer totalement une tumeur maligne. Les médecins s'appuient sur ces outils comme un filet de sécurité, garantissant qu'aucun risque sanitaire potentiel n'est négligé.
• 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 si une personne entre dans une zone restreinte, l'alarme se déclenche. Bien que cela puisse occasionnellement mener à de fausses alertes causées par la faune, c'est préférable à un système qui ne parviendrait pas à détecter un intrus réel. Les modèles de détection d'objets dans ces scénarios sont réglés pour assurer une sensibilité maximale aux menaces potentielles.

Link to this sectionRappel vs Précision#

Il est essentiel de distinguer le rappel de son homologue, la précision. Alors que le rappel mesure la quantité de cas pertinents trouvés (exhaustivité), 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 minimisation des fausses alertes. « Est-ce que toutes les choses que nous avons appelées pommes sont réellement des pommes ? »

Ces deux métriques partagent souvent une relation inverse, visualisée par une courbe Précision-Rappel. Pour évaluer l'équilibre global entre elles, les développeurs examinent souvent le score F1, qui est la moyenne harmonique des deux. Dans les jeux de données déséquilibrés, examiner le rappel parallèlement à la matrice de confusion donne une image de la performance beaucoup plus claire que la simple précision.

Link to this sectionMesurer le rappel avec Ultralytics YOLO#

Lors de l'entraînement de modèles comme le dernier cri YOLO26, le rappel est automatiquement calculé pendant la phase de validation. Le framework calcule le rappel pour chaque classe et la précision moyenne (mAP), aidant les développeurs à évaluer à quel point le modèle trouve bien les objets.

Tu peux facilement valider un modèle entraîné et voir ses métriques de rappel en utilisant Python. Ce snippet démontre comment charger un modèle et vérifier sa performance 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 plus bas que nécessaire pour ton projet, tu peux envisager des techniques comme l'augmentation de données pour créer des exemples d'entraînement plus variés ou le réglage d'hyperparamètres pour ajuster la sensibilité du modèle. Utiliser la plateforme Ultralytics peut également simplifier le processus de gestion des jeux de données et le suivi de ces métriques sur plusieurs entraînements.

Link to this sectionAméliorer le rappel du modèle#

Pour booster le rappel d'un modèle, les data scientists ajustent souvent le seuil de confiance utilisé pendant l'inférence. Abaisser le seuil rend le modèle plus « optimiste », acceptant 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 faux négatifs difficiles et les instances obscures. Pour des tâches complexes, employer des architectures avancées comme des blocs Transformer ou explorer des méthodes d'ensemble peut aussi améliorer la capacité du système à détecter des caractéristiques subtiles que des modèles plus simples pourraient manquer.