Recall

Le rappel, également connu sous le nom de sensibilité ou taux de vrais positifs, est une métrique de performance fondamentale 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 : « Sur l'ensemble des cas positifs réels, combien le modèle en a-t-il trouvés correctement ? » Atteindre un rappel élevé est crucial dans les scénarios où rater une instance positive — souvent appelée faux négatif — entraîne des conséquences importantes. Contrairement à l'exactitude, qui peut induire en erreur face à des données déséquilibrées, le rappel offre une vue ciblée sur l'efficacité du modèle à « capturer » la classe cible.

L'importance d'un rappel élevé#

Dans de nombreuses applications d'intelligence artificielle, le coût d'une non-détection d'objet est bien supérieur à celui d'une fausse alerte. Un modèle optimisé pour le rappel minimise les faux négatifs, garantissant que le système déploie un filet suffisamment large pour attraper les menaces, anomalies ou conditions critiques potentielles. Cela implique souvent un compromis, car augmenter le rappel peut parfois conduire à un score de précision plus faible, ce qui signifie que le modèle pourrait marquer davantage d'éléments non pertinents comme positifs. Comprendre cet équilibre est essentiel pour développer des solutions d'apprentissage automatique robustes.

Applications concrètes#

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

• Diagnostics médicaux : En analyse d'images médicales, comme lors du dépistage de radiographies pour détecter les premiers signes d'une maladie, un rappel élevé est non négociable. Si un système d'IA dans la santé est utilisé pour détecter des tumeurs, il vaut bien mieux que le système signale une ombre suspecte qui s'avère bénigne (un faux positif) que de rater complètement une tumeur maligne. Les médecins s'appuient sur ces outils pour agir 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 pénètre dans une zone réglementée, l'alarme se déclenche. Bien que cela puisse entraîner des fausses alarmes occasionnelles causées par la faune, cela est préférable à l'échec du système dans la détection d'un véritable intrus. Les modèles de détection d'objets dans ces scénarios sont réglés pour assurer une sensibilité maximale aux menaces potentielles.

Rappel vs Précision#

Il est essentiel de distinguer le rappel de son pendant, la précision. Alors que le rappel mesure la quantité de cas pertinents trouvés (l'exhaustivité), la précision mesure la qualité des prédictions positives (l'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 à l'aide d'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, observer le rappel aux côtés de la matrice de confusion donne une image beaucoup plus claire des performances que l'exactitude seule.

Mesurer le rappel avec Ultralytics YOLO#

Lors de l'entraînement de modèles tels que 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 moyenne (mAP), aidant les développeurs à évaluer dans quelle mesure le modèle trouve des 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 inférieur à ce qui est requis pour ton projet, tu peux envisager des techniques telles que l'augmentation des données pour créer des exemples d'entraînement plus variés ou le réglage des hyperparamètres pour ajuster la sensibilité du modèle. L'utilisation de la plateforme Ultralytics peut également simplifier le processus de gestion des jeux de données et le suivi de ces métriques sur plusieurs cycles d'entraînement.

Améliorer le rappel du modèle#

Pour booster 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 », 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 durs et les instances obscures. Pour les tâches complexes, l'emploi d'architectures avancées telles que des blocs Transformer ou l'exploration de méthodes d'ensemble peut également améliorer la capacité du système à détecter des caractéristiques subtiles que des modèles plus simples pourraient manquer.