Recall

Recall（感度または真陽性率とも呼ばれます）は、機械学習における基本的なパフォーマンス指標であり、モデルがデータセット内のすべての関連インスタンスを識別する能力を測定します。object detectionや分類のコンテキストにおいて、この指標は「実際の陽性ケース全体のなかで、モデルが何件を正しく発見できたか？」という疑問に直接答えます。見落とした陽性インスタンス（偽陰性とよく呼ばれます）が重大な影響をもたらすシナリオでは、高い recall を達成することが極めて重要です。accuracyは不均衡なデータを扱う際に誤解を招くことがありますが、recall はターゲットクラスの「捕捉」におけるモデルの有効性に焦点を当てた見方を提供します。

高いRecallの重要性#

多くのartificial intelligenceアプリケーションでは、オブジェクトの検出漏れによるコストは、誤警報のコストよりもはるかに高くなります。recall に最適化されたモデルは偽陰性を最小限に抑え、潜在的な脅威、異常、または重大な条件を捉えるために十分な網を張ることを確実にします。recall を増やすとprecisionスコアが低下することがあるため（つまり、モデルが非関連アイテムを陽性と判定しやすくなるため）、これにはしばしばトレードオフが伴います。このバランスを理解することが、堅牢なmachine learningソリューションを開発するための鍵となります。

実社会での応用#

Recall は、安全性が何よりも優先される多くのAI solutionsの背後にある原動力となる指標です。感度が優先される代表的な例を2つ挙げます。

• 医療診断: 疾病の早期兆候を見つけるためのX線スクリーニングなどのmedical image analysisにおいて、高い recall は不可欠です。AI in healthcareシステムが腫瘍の検出に使用される場合、システムが悪性の腫瘍を完全に見逃してしまうよりも、良性であることが判明する不審な影を検出する（偽陽性）ほうがはるかに優れています。医師は、見落とされる健康リスクがないことを保証するセーフティネットとしてこれらのツールに頼っています。
• セキュリティと監視: security alarm systemの主な目的は、すべての侵入の試みを検知することです。高い recall に最適化されたシステムは、制限区域に人が入った場合に確実にアラームが鳴るようにします。野生動物によって偶発的な誤警報が発生することはありますが、システムが実際の侵入者を検知できないよりはこれが望ましいです。このようなシナリオにおけるObject detectionモデルは、潜在的な脅威に対する最大の感度を確保するように調整されています。

Recallと適合率の比較#

Recall をその対義語であるprecisionと区別することが不可欠です。recall が見つかった関連ケースの量（網羅性）を測定するのに対し、precision は陽性予測の質（正確性）を測定します。

• Recall: 検出漏れを防ぐことに重点を置きます。「すべてのリンゴを見つけたか？」
• 適合率: 誤警報を最小限に抑えることに重点を置きます。「リンゴと呼んだものはすべて実際にリンゴか？」

これら2つの指標はしばしば反比例の関係にあり、Precision-Recall curveを通じて可視化されます。それらの間の全体的なバランスを評価するために、開発者は両者の調和平均であるF1-scoreをよく参照します。imbalanced datasetsにおいて、accuracy 単体ではなくconfusion matrixとともに recall を確認することで、パフォーマンスの全体像をより明確に把握できます。

Ultralytics YOLOによるRecallの測定#

最先端のYOLO26のようなモデルをトレーニングする際、recall はvalidationフェーズ中に自動的に計算されます。このフレームワークは、各クラスの recall とmean Average Precision (mAP)を計算し、モデルがどの程度うまくオブジェクトを発見できているかを開発者が測定するのを助けます。

Pythonを使用して、トレーニング済みモデルを簡単に検証し、そのRecall指標を確認できます。以下のスニペットは、モデルをロードし、標準データセットでのパフォーマンスを確認する方法を示しています：

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}")

このコードでは、Ultralytics APIを利用して validation を実行します。プロジェクトで必要とされるよりも recall が低い場合は、data augmentationなどの手法を使用して多様なトレーニング例を作成したり、hyperparameter tuningを行ってモデルの感度を調整したりすることを検討できます。Ultralytics Platformを使用すると、データセットの管理や複数のトレーニング実行にわたるこれらの指標の追跡プロセスを効率化することも可能です。

モデルのRecallを向上させる#

モデルの recall を向上させるために、データサイエンティストはinference中に使用されるconfidence thresholdを調整することがよくあります。しきい値を下げることでモデルがより「楽観的」になり、より多くの予測を陽性として受け入れるため、recall は向上しますが precision は低下する可能性があります。さらに、より多様なtraining dataを収集することで、モデルはhard negativesやあいまいなインスタンスを認識する方法を学ぶことができます。複雑なタスクでは、Transformerブロックなどの高度なアーキテクチャの採用やensemble methodsの探索も、単純なモデルでは見逃してしまうような微妙な特徴を検出するシステムの能力を向上させます。