Recall

Il recall, noto anche come sensibilità o tasso di veri positivi, è una metrica di prestazione fondamentale nel machine learning che misura la capacità di un modello di identificare tutte le istanze rilevanti all'interno di un dataset. Nel contesto del object detection o della classificazione, risponde specificamente alla domanda: "Tra tutti i casi positivi effettivi, quanti ne ha trovati correttamente il modello?" Ottenere un recall elevato è fondamentale negli scenari in cui la perdita di un'istanza positiva, spesso definita falso negativo, comporta conseguenze significative. A differenza dell'accuracy, che può essere fuorviante quando si tratta di dati sbilanciati, il recall offre una visione mirata dell'efficacia del modello nel "catturare" la classe di riferimento.

L'importanza di un alto Recall#

In molte applicazioni di artificial intelligence, il costo del mancato rilevamento di un oggetto è di gran lunga superiore al costo di un falso allarme. Un modello ottimizzato per il recall riduce al minimo i falsi negativi, assicurando che il sistema lanci una rete abbastanza ampia da catturare potenziali minacce, anomalie o condizioni critiche. Questo comporta spesso un compromesso, poiché l'aumento del recall può talvolta portare a un punteggio di precision inferiore, il che significa che il modello potrebbe segnalare un numero maggiore di elementi non rilevanti come positivi. Comprendere questo equilibrio è fondamentale per sviluppare soluzioni di machine learning robuste.

Applicazioni nel mondo reale#

Il recall è la metrica trainante dietro molte AI solutions critiche per la sicurezza. Ecco due esempi di rilievo in cui la sensibilità ha la precedenza:

• Diagnostica medica: Nell'medical image analysis, come nello screening delle radiografie per individuare i primi segni di malattia, un recall elevato non è negoziabile. Se un sistema di AI in healthcare viene utilizzato per rilevare i tumori, è molto meglio che il sistema segnali un'ombra sospetta che si rivela benigna (un falso positivo) piuttosto che perdere completamente un tumore maligno. I medici fanno affidamento su questi strumenti affinché fungano da rete di sicurezza, assicurando che nessun potenziale rischio per la salute venga trascurato.
• Sicurezza e sorveglianza: Per un security alarm system, l'obiettivo principale è rilevare ogni tentativo di intrusione. Un sistema ottimizzato per un recall elevato garantisce che, se una persona entra in una zona limitata, l'allarme si attivi. Sebbene ciò possa portare a falsi allarmi occasionali causati dalla fauna selvatica, questo è preferibile rispetto al mancato rilevamento di un effettivo intruso da parte del sistema. I modelli di Object detection in questi scenari sono tarati per garantire la massima sensibilità alle potenziali minacce.

Recall vs. Precision#

È essenziale distinguere il recall dalla sua controparte, la precision. Mentre il recall misura la quantità di casi rilevanti trovati (completezza), la precision misura la qualità delle previsioni positive (esattezza).

• Recall: Si concentra sull'evitare i rilevamenti mancati. "Abbiamo trovato tutte le mele?"
• Precision: Si concentra sulla minimizzazione dei falsi allarmi. "Tutte le cose che abbiamo chiamato mele sono effettivamente mele?"

Queste due metriche spesso condividono una relazione inversa, visualizzata attraverso una Precision-Recall curve. Per valutare l'equilibrio complessivo tra di esse, gli sviluppatori osservano spesso l'F1-score, che è la media armonica di entrambe. Negli imbalanced datasets, osservare il recall insieme alla confusion matrix offre un quadro delle prestazioni molto più chiaro rispetto alla sola accuracy.

Misurare il Recall con Ultralytics YOLO#

Quando si addestrano modelli come il rivoluzionario YOLO26, il recall viene calcolato automaticamente durante la fase di validation. Il framework calcola il recall per ciascuna classe e il mean Average Precision (mAP), aiutando gli sviluppatori a valutare quanto bene il modello trovi gli oggetti.

Puoi facilmente validare un modello addestrato e visualizzare le sue metriche di Recall utilizzando Python. Questo snippet dimostra come caricare un modello e verificare le sue prestazioni su un dataset 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}")

Questo codice utilizza la Ultralytics API per eseguire la validazione. Se il recall è inferiore a quanto richiesto per il tuo progetto, potresti prendere in considerazione tecniche come la data augmentation per creare esempi di training più variegati o l'hyperparameter tuning per regolare la sensibilità del modello. L'utilizzo della Ultralytics Platform può anche semplificare il processo di gestione dei dataset e di tracciamento di queste metriche su più esecuzioni di training.

Migliorare il Recall del modello#

Per aumentare il recall di un modello, i data scientist spesso regolano la confidence threshold utilizzata durante l'inference. Abbassare la soglia rende il modello più "ottimista", accettando un numero maggiore di previsioni come positive, il che aumenta il recall ma potrebbe diminuire la precision. Inoltre, raccogliere training data più diversi aiuta il modello a imparare a riconoscere i hard negatives e le istanze oscure. Per attività complesse, l'impiego di architetture avanzate come blocchi Transformer o l'esplorazione di ensemble methods può anche migliorare la capacità del sistema di rilevare caratteristiche sottili che i modelli più semplici potrebbero perdere.