Recall

A revocação, também conhecida como sensibilidade ou taxa de verdadeiros positivos, é uma métrica de desempenho fundamental em machine learning que mede a capacidade de um modelo para identificar todas as instâncias relevantes num conjunto de dados. No contexto da deteção de objetos ou da classificação, responde especificamente à pergunta: "De todos os casos realmente positivos, quantos foram corretamente encontrados pelo modelo?" Alcançar uma revocação elevada é fundamental em cenários onde não detetar uma instância positiva — frequentemente designado por falso negativo — tem consequências significativas. Ao contrário da precisão, que pode ser enganadora ao lidar com dados desequilibrados, a revocação oferece uma visão focada da eficácia do modelo a "capturar" a classe-alvo.

A importância de uma revocação elevada#

Em muitas aplicações de inteligência artificial, o custo de não detetar um objeto é muito superior ao custo de um falso alarme. Um modelo otimizado para a revocação minimiza os falsos negativos, garantindo que o sistema lança uma rede suficientemente ampla para detetar potenciais ameaças, anomalias ou condições críticas. Isto implica frequentemente um compromisso, uma vez que aumentar a revocação pode, por vezes, resultar numa pontuação de precisão mais baixa, o que significa que o modelo pode assinalar como positivas mais instâncias não relevantes. Compreender este equilíbrio é fundamental para desenvolver soluções robustas de machine learning.

Aplicações no mundo real#

A revocação é a métrica essencial por detrás de muitas soluções de IA críticas para a segurança. Eis dois exemplos importantes em que a sensibilidade tem prioridade:

• Diagnóstico médico: Na análise de imagens médicas, como no rastreio de radiografias para detetar sinais precoces de doenças, uma revocação elevada é indispensável. Se um sistema de IA na área da saúde for utilizado para detetar tumores, é muito melhor o sistema assinalar uma sombra suspeita que acaba por ser benigna (um falso positivo) do que não detetar totalmente um tumor maligno. Os médicos dependem destas ferramentas para funcionarem como uma rede de segurança, garantindo que nenhum potencial risco para a saúde é ignorado.
• Segurança e vigilância: No caso de um sistema de alarme de segurança, o objetivo principal é detetar todas as tentativas de intrusão. Um sistema otimizado para uma revocação elevada garante que, se uma pessoa entrar numa zona restrita, o alarme dispara. Embora isto possa resultar em falsos alarmes ocasionais causados por animais selvagens, é preferível a que o sistema não detete um intruso real. Os modelos de deteção de objetos nestes cenários são ajustados para garantir a máxima sensibilidade a potenciais ameaças.

Revocação vs. precisão#

É essencial distinguir a revocação da sua métrica complementar, a precisão. Enquanto a revocação mede a quantidade de casos relevantes encontrados (completude), a precisão mede a qualidade das previsões positivas (exatidão).

• Revocação: Concentra-se em evitar deteções falhadas. "Encontrámos todas as maçãs?"
• Precisão: Concentra-se em minimizar os falsos alarmes. "Todas as coisas que identificámos como maçãs são realmente maçãs?"

Estas duas métricas partilham frequentemente uma relação inversa, visualizada através de uma curva Precisão-Revocação. Para avaliar o equilíbrio geral entre ambas, os programadores analisam frequentemente o F1-score, que é a média harmónica das duas. Em conjuntos de dados desequilibrados, analisar a revocação juntamente com a matriz de confusão proporciona uma visão do desempenho muito mais clara do que analisar apenas a precisão.

Medir a revocação com Ultralytics YOLO#

Ao treinar modelos como o avançado YOLO26, a revocação é calculada automaticamente durante a fase de validação. A framework calcula a revocação para cada classe e a Precisão média (mAP), ajudando os programadores a avaliar a eficácia do modelo na deteção de objetos.

Podes validar facilmente um modelo treinado e consultar as respetivas métricas de revocação utilizando Python. Este trecho demonstra como carregar um modelo e verificar o seu desempenho num conjunto de dados padrão:

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}")

Este código utiliza a API da Ultralytics para executar a validação. Se a revocação for inferior ao necessário para o teu projeto, podes considerar técnicas como o aumento de dados para criar exemplos de treino mais variados ou o ajuste de hiperparâmetros para ajustar a sensibilidade do modelo. Utilizar a Plataforma Ultralytics também pode simplificar o processo de gestão de conjuntos de dados e acompanhamento destas métricas em várias execuções de treino.

Melhorar a revocação do modelo#

Para aumentar a revocação de um modelo, os cientistas de dados ajustam frequentemente o limiar de confiança utilizado durante a inferência. Baixar o limiar torna o modelo mais "otimista", aceitando mais previsões como positivas, o que aumenta a revocação, mas pode reduzir a precisão. Além disso, recolher dados de treino mais diversificados ajuda o modelo a aprender a reconhecer negativos difíceis e instâncias pouco evidentes. Para tarefas complexas, utilizar arquiteturas avançadas, como blocos Transformer, ou explorar métodos de ensemble também pode melhorar a capacidade do sistema para detetar características subtis que modelos mais simples poderiam não identificar.