Recall

Il richiamo, noto anche come sensibilità o tasso di veri positivi, è una metrica di prestazione fondamentale nell'apprendimento automatico che misura la capacità di un modello di identificare tutte le istanze rilevanti all'interno di un set di dati. Nel contesto del rilevamento o della classificazione degli oggetti, risponde in modo specifico alla domanda: "Tra tutti i casi positivi effettivi, quanti sono stati correttamente individuati dal modello ?" Ottenere un richiamo elevato è fondamentale in scenari in cui la mancata individuazione di un'istanza positiva, spesso denominata falso negativo, comporta conseguenze significative. A differenza dell' accuratezza, che può essere fuorviante quando si ha a che fare con dati sbilanciati, il richiamo fornisce una visione mirata dell'efficacia del modello nel "catturare" la classe target .

L'importanza di un'alta recall

In molte applicazioni di intelligenza artificiale, il costo della mancata detect oggetto è molto più elevato del costo di un falso allarme. Un modello ottimizzato per il richiamo riduce al minimo i falsi negativi, garantendo che il sistema crei una rete sufficientemente ampia da catturare potenziali minacce, anomalie o condizioni critiche. Ciò comporta spesso un compromesso, poiché aumentare il richiamo può talvolta portare a un punteggio di precisione inferiore , il che significa che il modello potrebbe segnalare come positivi più elementi non rilevanti. Comprendere questo equilibrio è fondamentale per sviluppare soluzioni di apprendimento automatico robuste .

Applicazioni nel mondo reale

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

• Diagnostica detect : nell' analisi delle immagini mediche, come lo screening radiografico per individuare i primi segni di malattia, un'elevata sensibilità è imprescindibile. Se un sistema di IA nel settore sanitario viene utilizzato per individuare tumori, è molto meglio che il sistema segnali un'ombra sospetta che si rivela benigna (un falso positivo) piuttosto che non individuare affatto un tumore maligno. I medici si affidano a questi strumenti come rete di sicurezza, per garantire che nessun potenziale rischio per la salute venga trascurato.
• Sicurezza e sorveglianza: per un sistema di allarme di sicurezza, l'obiettivo principale è detect tentativo di intrusione. Un sistema ottimizzato per un elevato richiamo garantisce che, se una persona entra in una zona riservata , l'allarme si attivi. Anche se questo potrebbe portare a occasionali falsi allarmi causati dalla fauna selvatica, è preferibile che il sistema non riesca a detect intruso reale. I modelli di rilevamento degli oggetti in questi scenari sono ottimizzati per garantire la massima sensibilità alle potenziali minacce.

Richiamo vs. Precisione

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

• Richiamo: si concentra sull'evitare errori di rilevamento. "Abbiamo trovato tutte le mele?"
• Precisione: si concentra sulla riduzione al minimo dei falsi allarmi. "Tutte le cose che abbiamo chiamato mele sono effettivamente mele?"

Queste due metriche spesso condividono una relazione inversa, visualizzata attraverso una curva di precisione-richiamo. Per valutare l'equilibrio complessivo tra loro, gli sviluppatori spesso guardano al punteggio F1, che è la media armonica di entrambi. In set di dati sbilanciati, guardare al richiamo insieme alla matrice di confusione fornisce un quadro molto più chiaro delle prestazioni rispetto alla sola accuratezza.

Misurare il richiamo con Ultralytics YOLO

Quando si addestrano modelli come l'avanzato YOLO26, il richiamo viene calcolato automaticamente durante la fase di convalida. Il framework calcola il richiamo per ogni classe e la precisione media (mAP), aiutando gli sviluppatori a valutare l'efficacia del modello nel trovare gli oggetti.

È possibile convalidare facilmente un modello addestrato e visualizzarne le metriche di richiamo utilizzando Python. Questo snippet mostra come caricare un modello e verificarne le prestazioni su un set di dati 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 Ultralytics per eseguire la convalida. Se il richiamo è inferiore a quello richiesto dal vostro progetto, potreste prendere in considerazione tecniche come l' aumento dei dati per creare esempi di addestramento più vari o la regolazione degli iperparametri per adeguare la sensibilità del modello. L'utilizzo della Ultralytics può anche semplificare il processo di gestione dei set di dati e il monitoraggio di queste metriche su più cicli di addestramento.

Miglioramento del richiamo del modello

Per aumentare il richiamo di un modello, i data scientist spesso regolano la soglia di confidenza utilizzata durante l' inferenza. Abbassando la soglia, il modello diventa più "ottimista" e accetta un maggior numero di previsioni come positive, il che aumenta il richiamo ma può diminuire la precisione. Inoltre, raccogliere dati di addestramento più diversificati aiuta il modello a imparare a riconoscere i negativi difficili e i casi oscuri. Per compiti complessi, l'utilizzo di architetture avanzate come i blocchi Transformer o l'esplorazione di metodi ensemble può anche migliorare la capacità del sistema di detect caratteristiche detect che i modelli più semplici potrebbero non cogliere.