Recall

재현율은 민감도 또는 참양성률이라고도 하며, 데이터셋 내의 모든 관련 인스턴스를 식별하는 모델의 능력을 측정하는 머신 러닝의 기본 성능 지표입니다. 객체 감지 또는 분류의 맥락에서 재현율은 다음 질문에 답합니다. "실제 양성 사례가 모두 몇 개일 때, 모델이 그중 몇 개를 정확하게 찾았습니까?" 양성 인스턴스를 놓치는 것(흔히 거짓 음성이라고 함)이 중대한 결과를 초래하는 상황에서는 높은 재현율을 달성하는 것이 매우 중요합니다. 불균형 데이터를 다룰 때 오해를 불러일으킬 수 있는 정확도와 달리, 재현율은 대상 클래스를 얼마나 효과적으로 "포착"하는지에 초점을 맞춰 보여줍니다.

높은 재현율의 중요성#

많은 인공지능 애플리케이션에서는 객체를 감지하지 못하는 비용이 오경보의 비용보다 훨씬 높습니다. 재현율에 최적화된 모델은 거짓 음성을 최소화하여 시스템이 잠재적 위협, 이상 징후 또는 중요한 상태를 포착할 수 있을 만큼 폭넓게 탐지하도록 합니다. 그러나 재현율을 높이면 정밀도 점수가 낮아질 수 있으므로 이러한 최적화에는 종종 상충 관계가 발생합니다. 즉, 모델이 관련 없는 항목을 양성으로 표시하는 경우가 늘어날 수 있습니다. 이러한 균형을 이해하는 것은 견고한 머신 러닝 솔루션을 개발하는 데 중요합니다.

실제 적용 사례#

재현율은 안전이 중요한 많은 AI 솔루션의 핵심 지표입니다. 다음은 민감도를 우선시하는 대표적인 두 가지 사례입니다.

• 의료 진단: 초기 질병 징후를 확인하기 위한 X선 검사를 비롯한 의료 이미지 분석에서는 높은 재현율이 필수적입니다. 의료 분야의 AI 시스템을 사용하여 종양을 감지하는 경우, 양성으로 판명되는 의심스러운 음영을 시스템이 표시하는 것(거짓 양성)이 악성 종양을 완전히 놓치는 것보다 훨씬 낫습니다. 의사들은 이러한 도구를 안전망으로 활용하여 잠재적인 건강 위험을 빠짐없이 확인합니다.
• 보안 및 감시: 보안 경보 시스템의 주요 목표는 모든 침입 시도를 감지하는 것입니다. 높은 재현율에 최적화된 시스템은 사람이 제한 구역에 들어오면 경보가 작동하도록 합니다. 야생동물로 인해 간혹 오경보가 발생할 수 있지만, 실제 침입자를 감지하지 못하는 것보다는 바람직합니다. 이러한 상황에서 객체 감지 모델은 잠재적 위협에 대한 민감도를 최대화하도록 조정됩니다.

재현율과 정밀도 비교#

재현율과 그 대응 지표인 정밀도를 구분하는 것이 중요합니다. 재현율은 찾아낸 관련 사례의 수(완전성)를 측정하는 반면, 정밀도는 양성 예측의 품질(정확성)을 측정합니다.

• 재현율: 감지 누락을 방지하는 데 중점을 둡니다. "사과를 모두 찾았습니까?"
• 정밀도: 오경보를 최소화하는 데 중점을 둡니다. "사과라고 부른 모든 것이 실제로 사과입니까?"

이 두 지표는 정밀도-재현율 곡선으로 시각화되는 역의 관계를 갖는 경우가 많습니다. 두 지표 간의 전반적인 균형을 평가하기 위해 개발자는 두 지표의 조화 평균인 F1 점수를 자주 확인합니다. 불균형 데이터셋에서는 정확도만 확인하는 것보다 재현율을 혼동 행렬과 함께 살펴보는 것이 성능을 훨씬 명확하게 파악하는 데 도움이 됩니다.

Ultralytics YOLO로 재현율 측정하기#

최첨단 YOLO26과 같은 모델을 학습할 때 재현율은 검증 단계에서 자동으로 계산됩니다. 프레임워크는 각 클래스의 재현율과 평균 정밀도(mAP)를 계산하여 개발자가 모델이 객체를 얼마나 잘 찾는지 평가할 수 있도록 지원합니다.

Python을 사용하면 학습된 모델을 쉽게 검증하고 재현율 지표를 확인할 수 있습니다. 다음 스니펫은 모델을 로드하고 표준 데이터셋에서 성능을 확인하는 방법을 보여줍니다.

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}")

이 코드는 Ultralytics API를 사용하여 검증을 실행합니다. 프로젝트에 필요한 수준보다 재현율이 낮다면, 더 다양한 학습 예시를 생성하는 데이터 증강이나 모델의 민감도를 조정하는 하이퍼파라미터 튜닝과 같은 기법을 고려할 수 있습니다. Ultralytics Platform을 사용하면 데이터셋을 관리하고 여러 학습 실행에 걸쳐 이러한 지표를 추적하는 과정도 간소화할 수 있습니다.

모델 재현율 개선#

모델의 재현율을 높이기 위해 데이터 과학자는 추론 중에 사용되는 신뢰도 임계값을 조정하는 경우가 많습니다. 임계값을 낮추면 모델이 더 "낙관적으로" 변하여 더 많은 예측을 양성으로 받아들이므로 재현율이 높아지지만 정밀도는 낮아질 수 있습니다. 또한 더욱 다양한 학습 데이터를 수집하면 모델이 하드 네거티브와 식별하기 어려운 인스턴스를 인식하는 방법을 학습하는 데 도움이 됩니다. 복잡한 작업에서는 Transformer 블록과 같은 고급 아키텍처를 사용하거나 앙상블 방법을 탐색하는 것도 단순한 모델이 놓칠 수 있는 미묘한 특징을 감지하는 시스템의 능력을 향상할 수 있습니다.