Recall

Il recall, noto anche come sensibilità o tasso di veri positivi, è una metrica fondamentale delle prestazioni nel machine learning che misura la capacità di un modello di identificare tutte le istanze rilevanti all'interno di un dataset. Nel contesto del rilevamento degli oggetti o della classificazione, risponde nello specifico alla domanda: "Di tutti i casi effettivamente positivi, quanti ne ha trovati correttamente il modello?" Ottenere un recall elevato è fondamentale negli scenari in cui non rilevare un'istanza positiva, spesso definita falso negativo, comporta conseguenze significative. A differenza dell'accuratezza, che può essere fuorviante quando si lavora con dati sbilanciati, il recall offre una visione focalizzata sull'efficacia del modello nel "catturare" la classe target.

L'importanza di un recall elevato#

In molte applicazioni di intelligenza artificiale, il costo del mancato rilevamento di un oggetto è molto più elevato rispetto a quello di un falso allarme. Un modello ottimizzato per il recall riduce al minimo i falsi negativi, assicurando che il sistema utilizzi una rete abbastanza ampia da rilevare potenziali minacce, anomalie o condizioni critiche. Questo comporta spesso un compromesso, poiché l'aumento del recall può talvolta portare a un punteggio di precisione più basso, facendo sì che il modello segnali come positivi più elementi non rilevanti. Comprendere questo equilibrio è fondamentale per sviluppare soluzioni robuste di machine learning.

Applicazioni nel mondo reale#

Il recall è la metrica trainante alla base di molte soluzioni di intelligenza artificiale per applicazioni critiche per la sicurezza. Ecco due esempi significativi in cui la sensibilità ha la precedenza:

• Diagnostica medica: nell'analisi delle immagini mediche, ad esempio durante lo screening delle radiografie per individuare i primi segni di una malattia, un recall elevato è imprescindibile. Se un sistema di intelligenza artificiale in ambito sanitario viene utilizzato per rilevare tumori, è molto meglio che il sistema segnali un'ombra sospetta che si rivela benigna (un falso positivo) piuttosto che non rilevare completamente un tumore maligno. I medici si affidano a questi strumenti come rete di sicurezza, per assicurarsi che nessun potenziale rischio per la salute venga trascurato.
• Sicurezza e sorveglianza: per un sistema di allarme di sicurezza, l'obiettivo principale è rilevare ogni tentativo di intrusione. Un sistema ottimizzato per un recall elevato assicura che, se una persona entra in una zona riservata, l'allarme scatti. Sebbene ciò possa causare falsi allarmi occasionali dovuti alla fauna selvatica, è preferibile al mancato rilevamento di un intruso effettivo. I modelli di rilevamento degli oggetti in questi scenari vengono regolati per garantire la massima sensibilità alle potenziali minacce.

Recall e precisione#

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

• Recall: si concentra sull'evitare i rilevamenti mancati. "Abbiamo trovato tutte le mele?"
• Precisione: si concentra sulla riduzione al minimo dei falsi allarmi. "Tutte le cose che abbiamo chiamato mele sono davvero mele?"

Queste due metriche hanno spesso una relazione inversa, visualizzata attraverso una curva precisione-recall. Per valutare l'equilibrio complessivo tra loro, gli sviluppatori analizzano spesso il punteggio F1, che rappresenta la media armonica di entrambe. Nei dataset sbilanciati, osservare il recall insieme alla matrice di confusione offre un quadro delle prestazioni molto più chiaro rispetto alla sola accuratezza.

Misurare il recall con Ultralytics YOLO#

Durante l'addestramento di modelli come YOLO26, all'avanguardia, il recall viene calcolato automaticamente durante la fase di validazione. Il framework calcola il recall per ogni classe e la precisione media (mAP), aiutando gli sviluppatori a valutare quanto bene il modello individui gli oggetti.

Puoi validare facilmente un modello addestrato e visualizzare le relative metriche di recall usando Python. Questo frammento mostra come caricare un modello e verificarne le 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 l'API di Ultralytics per eseguire la validazione. Se il recall è inferiore a quello richiesto dal tuo progetto, potresti prendere in considerazione tecniche come l'aumento dei dati per creare esempi di addestramento più vari o il tuning degli iperparametri per regolare la sensibilità del modello. L'utilizzo della piattaforma Ultralytics può inoltre semplificare la gestione dei dataset e il monitoraggio di queste metriche su più esecuzioni di addestramento.

Migliorare il recall del modello#

Per aumentare il recall di un modello, i data scientist regolano spesso la soglia di confidenza utilizzata durante l'inferenza. Ridurre la soglia rende il modello più "ottimista", poiché accetta più previsioni come positive, aumentando il recall ma potenzialmente riducendo la precisione. Inoltre, raccogliere dati di addestramento più diversificati aiuta il modello a imparare a riconoscere i negativi difficili e le istanze poco evidenti. Per le attività complesse, anche l'impiego di architetture avanzate come i blocchi Transformer o l'esplorazione dei metodi ensemble può migliorare la capacità del sistema di rilevare caratteristiche sottili che i modelli più semplici potrebbero non individuare.