재현율(Recall)

민감도 또는 진양성률이라고도 하는 리콜은 기본 평가 지표로 평가 지표로, 머신러닝(ML) 모델의 머신 러닝(ML) 모델이 데이터 세트 내의 모든 관련 인스턴스를 능력을 측정하는 데 사용되는 기본적인 평가 지표입니다. 본질적으로 회상률은 특정 질문에 대한 답변입니다: "전체 실제 양성 사례 중 모델이 성공적으로 detect 사례는 몇 개인가?"라는 구체적인 질문에 대한 답변입니다. 이 메트릭은 특히 다음 사항에 중점을 둡니다. 오탐을 최소화하여 중요한 이벤트나 개체를 간과하지 않도록 하는 데 중점을 둡니다. 정확도는 정확도는 성능에 대한 일반적인 개요를 제공합니다, 리콜은 대상을 놓치는 것이 거짓 경보보다 더 큰 비용을 수반하는 시나리오에서 성공의 주요 지표가 됩니다. 경보.

AI에서 리콜의 중요성

많은 컴퓨터 비전(CV) 및 데이터 분석 작업에서는 오류로 인한 비용이 일정하지 않습니다. 양성 사례(유형 II 오류)를 detect 못하면 때때로 다음과 같은 문제가 발생할 수 있습니다. 위험하거나 비용이 많이 들 수 있습니다. 높은 리콜률은 시스템이 넓은 그물을 던져 가능한 한 많은 실제 양성 사례를 가능한 한 많이 포착할 수 있습니다. 이는 종종 추론 중에 신뢰도 임계값을 조정하여 달성할 수 있으며, 임계값을 낮추면 임계값을 낮추면 일반적으로 회상률이 높아지지만 오탐이 더 많이 발생할 수 있습니다.

엔지니어는 종종 정밀도-리콜 곡선 를 분석하여 모델에 내재된 장단점을 파악합니다. 정확도 100%의 모델은 모든 대상 개체를 찾아낸 것입니다, 일부 배경 노이즈를 타깃으로 잘못 분류했을 수도 있습니다.

실제 애플리케이션

리콜은 안전에 중요한 많은 AI 솔루션의 핵심 지표입니다. 다음은 리콜이 적용되는 대표적인 두 가지 예입니다. 우선 순위:

• 의료 진단: 다음과 같은 분야에서 의료 영상 분석 분야 등 의료 영상 분석 분야에서는 높은 회수율은 타협할 수 없습니다. 만약 종양 검출을 위한 AI 모델 이 스캔을 분석하는 경우, 시스템이 양성으로 판명된 의심스러운 그림자를 표시하는 것이 악성을 놓치는 것보다 훨씬 낫습니다. 양성) 종양을 완전히 놓치는 것(위음성)보다 시스템이 양성으로 판명된 의심스러운 그림자를 표시하는 것이 훨씬 낫습니다. 의사는 다음과 같은 의료 도구의 AI는 안전망 역할을 합니다, 잠재적인 건강 위험을 무시하지 않도록 보장합니다.
• 보안 및 감시: 보안 경보 시스템의 경우 보안 경보 시스템의 주요 목표는 모든 침입 시도를 detect 것입니다. 높은 리콜률에 최적화된 시스템은 사람이 제한된 구역에 들어가면 구역에 들어가면 경보가 작동합니다. 이로 인해 동물이나 그림자에 의한 오경보가 가끔 발생할 수 있지만, 이는 시스템이 실제 침입자를 detect 못하는 것보다 낫습니다. 이러한 시나리오의 객체 감지 모델은 다음과 같습니다. 잠재적 위협에 대한 민감도를 극대화하도록 조정됩니다.

리콜 대 정밀도 및 정확도

리콜과 관련 지표의 차이를 이해하는 것은 모델 평가 인사이트를 해석하는 데 있어 매우 중요합니다. 모델 평가 인사이트를 해석하는 데 중요합니다.

• 회수율 대 정밀도: 리콜은 발견된 정탐의 양을 측정하는 반면, 정확도는 양성 예측의 품질 또는 신뢰도를 측정합니다. 품질 또는 신뢰도를 측정합니다. 정확도는 "양성이라고 표시된 모든 항목 중 실제로 몇 개가 양성인가요?" 신뢰도가 낮은 감지를 받아들여 리콜률을 높이면 일반적으로 정확도가 낮아집니다. 정확도가 낮아집니다. F1 점수는 이 두 가지를 결합한 지표입니다. 두 가지를 결합하여 균형 잡힌 시각을 제공하는 지표입니다.
• 리콜 대 정확도: 정확도는 정확한 예측의 전체 비율을 측정합니다. 및 부정 모두). 그러나 99%의 부품이 정상이고 1%만 결함이 있는 제조 라인과 같이 불균형한 데이터 세트에서는모델이 단순히 매번 "양호"를 예측하고 99%의 정확도를 달성하는 동시에 결함에 대한 리콜률은 0%입니다. 이러한 이상 감지 작업에서 리콜은 정확도보다 훨씬 더 정확도보다 훨씬 더 정직한 지표입니다.

Ultralytics YOLO 통한 리콜 측정

를 사용하여 모델을 개발할 때 Ultralytics YOLO11 아키텍처로 모델을 개발할 때, 리콜은 검증 프로세스 중에 자동으로 자동으로 계산됩니다. 이 프레임워크는 각 클래스에 대한 리콜을 계산하고 평균 평균 정밀도(mAP)를 계산하여 개발자는 모델이 객체를 얼마나 잘 찾는지 측정할 수 있습니다.

Python 사용하여 학습된 모델을 쉽게 검증하고 리콜 메트릭을 확인할 수 있습니다:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on a standard dataset like COCO8
# The results will include Precision (P), Recall (R), and mAP
metrics = model.val(data="coco8.yaml")

# Access the mean recall score from the results
print(f"Mean Recall: {metrics.results_dict['metrics/recall(B)']}")

이 코드 스니펫은 YOLO11 모델을 로드하고 COCO8 데이터 세트에서 유효성 검사를 실행합니다. 결과는 출력은 성능에 대한 포괄적인 분석을 제공하여 모델이 특정 애플리케이션에 필요한 리콜 요구 사항을 충족하는지 평가할 수 있습니다. 리콜이 너무 낮으면 다음과 같은 기술을 고려할 수 있습니다. 데이터 증강 또는 감도 향상을 위한 하이퍼파라미터 튜닝과 같은 기술을 고려할 수 있습니다.