Rappel

Le rappel, également connu sous le nom de sensibilité ou de taux de vrais positifs, est une mesure d'évaluation fondamentale dans l'apprentissage automatique et les statistiques. Il mesure la capacité d'un modèle à identifier correctement toutes les instances pertinentes d'un ensemble de données. En termes simples, le rappel répond à la question suivante : "Parmi toutes les instances positives réelles, combien le modèle a-t-il correctement prédit comme positives ?" Un score de rappel élevé indique que le modèle est efficace pour trouver ce qu'il est censé trouver, en minimisant le nombre de cas positifs manqués (faux négatifs). Cette mesure est particulièrement importante dans les applications où la non-détection d'un cas positif a des conséquences significatives.

L'importance d'un taux de rappel élevé

Dans de nombreux scénarios réels, le coût d'un faux négatif (absence de détection) est beaucoup plus élevé que le coût d'un faux positif (fausse alarme). C'est pourquoi il est essentiel d'accorder la priorité à un taux de rappel élevé. Par exemple, dans des tâches telles que l'analyse d'images médicales ou la détection de fraudes, un modèle à rappel élevé garantit que le plus grand nombre possible de cas réels sont capturés pour un examen plus approfondi, même si cela signifie que certains cas non conformes sont marqués de manière incorrecte.

• Diagnostic médical : dans un système alimenté par l'IA pour détecter le cancer à partir de scanners médicaux, un modèle de rappel élevé est crucial. Il est de loin préférable que le système signale un patient en bonne santé pour examen par un radiologue (un faux positif) plutôt que de manquer une tumeur cancéreuse (un faux négatif), ce qui pourrait retarder un traitement salvateur. De nombreuses solutions d'IA dans le domaine de la santé sont optimisées pour une sensibilité élevée.
• Sécurité et surveillance : Pour un système d'alarme de sécurité conçu pour détecter les intrus, un rappel élevé est primordial. Le système doit identifier toutes les menaces potentielles, même s'il confond parfois un animal errant avec un intrus. Passer à côté d'une véritable violation de la sécurité rendrait le système inefficace.

Rappel dans les modèles Ultralytics YOLO

Dans le contexte de la vision artificielle (CV) et de modèles comme Ultralytics YOLO, le rappel est une mesure clé utilisée avec la précision et la précision moyenne (mAP) pour évaluer les performances sur des tâches comme la détection d'objets et la segmentation d'instances. Il est souvent essentiel de parvenir à un bon équilibre entre rappel et précision pour obtenir des performances solides dans le monde réel. Par exemple, lorsque l'on compare des modèles tels que YOLOv8 et YOLO11, le rappel permet de comprendre dans quelle mesure chaque modèle identifie tous les objets cibles. Les utilisateurs peuvent former des modèles personnalisés à l'aide de frameworks comme PyTorch ou TensorFlow et suivre le rappel à l'aide d'outils comme Weights & Biases ou les fonctionnalités intégrées dans Ultralytics HUB. Comprendre le rappel permet d'optimiser les modèles pour des cas d'utilisation spécifiques, ce qui peut impliquer le réglage des hyperparamètres ou l'exploration de différentes architectures de modèles comme YOLOv10 ou le dernier YOLO11. Des ressources telles que la documentation Ultralytics offrent des guides complets sur la formation et l'évaluation.

Rappel par rapport à d'autres paramètres

Il est important de différencier le rappel des autres mesures d'évaluation courantes.

• Précision: Alors que le rappel se concentre sur la recherche de tous les échantillons positifs, la précision mesure l'exactitude des prédictions positives effectuées. Elle répond à la question suivante "Parmi tous les cas que le modèle a prédits comme positifs, combien étaient réellement positifs ?" Il existe souvent un compromis entre la précision et le rappel ; l'augmentation de l'un peut entraîner une diminution de l'autre. Ce concept est connu sous le nom de compromis entre précision et rappel.
• Précision: Mesure le pourcentage global de prédictions correctes (positives et négatives). La précision peut être une mesure trompeuse pour les ensembles de données déséquilibrés, où une classe est largement supérieure à l'autre. Par exemple, dans un ensemble de données contenant 99 % d'échantillons négatifs, un modèle qui prédit que tout est négatif atteint une précision de 99 % mais n'a aucun rappel pour la classe positive.
• F1-Score: Il s'agit de la moyenne harmonique de la précision et du rappel. Le score F1 fournit un chiffre unique qui équilibre les deux mesures, ce qui en fait une mesure utile lorsque vous devez prendre en compte à la fois les faux positifs et les faux négatifs. Il est souvent utilisé lorsque la répartition des classes est inégale.
• Surface sous la courbe (SSC): Spécifiquement pour la classification binaire, la courbe ROC (Receiver Operating Characteristic ) représente le taux de vrais positifs (Recall) par rapport au taux de faux positifs. La SSC fournit un score unique résumant les performances du modèle pour tous les seuils de classification. L'aire sous la courbe Précision-Recall (AUC-PR) est souvent plus informative pour les tâches de classification déséquilibrées.