Recall

A recuperação, também conhecida como sensibilidade ou taxa de verdadeiros positivos, é uma métrica de avaliação fundamental na aprendizagem automática (ML) e na estatística. Mede a capacidade de um modelo para identificar corretamente todas as instâncias relevantes num conjunto de dados. Em termos simples, o Recall responde à pergunta: "De todas as instâncias positivas reais, quantas é que o modelo previu corretamente como positivas?" Uma pontuação Recall elevada indica que o modelo é eficaz a encontrar o que é suposto encontrar, minimizando o número de casos positivos perdidos (falsos negativos). Esta métrica é particularmente crítica em aplicações em que a falha na deteção de um caso positivo tem consequências significativas.

A importância de uma recordação elevada

Em muitos cenários do mundo real, o custo de um falso negativo (falta de uma deteção) é muito superior ao custo de um falso positivo (um falso alarme). É aqui que a priorização de um alto Recall se torna essencial. Por exemplo, em tarefas como a análise de imagens médicas ou a deteção de fraudes, um modelo de elevada taxa de recuperação garante que o maior número possível de casos verdadeiros seja capturado para análise posterior, mesmo que isso signifique que alguns casos não detectados sejam incorretamente assinalados.

• Diagnóstico médico: Num sistema alimentado por IA para detetar o cancro a partir de exames médicos, é crucial um modelo de elevada capacidade de recuperação. É muito melhor que o sistema assinale um paciente saudável para ser analisado por um radiologista (um falso positivo) do que não detetar um tumor cancerígeno (um falso negativo), o que poderia atrasar o tratamento que salva vidas. Muitas soluções de IA nos cuidados de saúde são optimizadas para uma elevada sensibilidade.
• Segurança e vigilância: Para um sistema de alarme de segurança concebido para detetar intrusos, é fundamental um Recall elevado. O sistema deve identificar todas as ameaças potenciais, mesmo que ocasionalmente confunda um animal vadio com um intruso. A omissão de uma verdadeira violação de segurança tornaria o sistema ineficaz.

Recuperação nos modelos YOLO da Ultralytics

No contexto da visão computacional (CV) e de modelos como o Ultralytics YOLO, a recuperação é uma métrica fundamental utilizada juntamente com a precisão e a precisão média (mAP) para avaliar o desempenho em tarefas como a deteção de objectos e a segmentação de instâncias. Conseguir um bom equilíbrio entre a Recuperação e a Precisão é muitas vezes essencial para um desempenho robusto no mundo real. Por exemplo, ao comparar modelos como YOLOv8 vs YOLO11, o Recall ajuda a compreender até que ponto cada modelo identifica todos os objectos alvo. Os utilizadores podem treinar modelos personalizados utilizando estruturas como o PyTorch ou o TensorFlow e monitorizar o Recall utilizando ferramentas como Weights & Biases ou as funcionalidades integradas no Ultralytics HUB. Compreender o Recall ajuda a otimizar os modelos para casos de utilização específicos, envolvendo potencialmente o ajuste de hiperparâmetros ou a exploração de diferentes arquitecturas de modelos, como o YOLOv10 ou o mais recente YOLO11. Recursos como a documentação do Ultralytics oferecem guias abrangentes sobre formação e avaliação.

Recuperação vs. outras métricas

É importante diferenciar a Recuperação de outras métricas de avaliação comuns.

• Precisão: Enquanto a Recuperação se concentra em encontrar todas as amostras positivas, a Precisão mede a exatidão das previsões positivas efectuadas. Responde: "De todas as instâncias que o modelo previu como positivas, quantas eram efetivamente positivas?" Existe frequentemente um compromisso entre a Precisão e a Recuperação; o aumento de uma pode diminuir a outra. Este conceito é conhecido como o tradeoff Precisão-Recall.
• Exatidão: Mede a percentagem global de previsões corretas (tanto positivas como negativas). A exatidão pode ser uma métrica enganadora para conjuntos de dados desequilibrados, em que uma classe supera largamente a outra. Por exemplo, num conjunto de dados com 99% de amostras negativas, um modelo que prevê tudo como negativo atinge 99% de exatidão, mas tem zero de recuperação para a classe positiva.
• Pontuação F1: Esta é a média harmónica de Precisão e Recuperação. O F1-Score fornece um único número que equilibra ambas as métricas, tornando-o uma medida útil quando é necessário considerar tanto os falsos positivos como os falsos negativos. É frequentemente utilizado quando existe uma distribuição desigual de classes.
• Área sob a curva (AUC): Especificamente para a classificação binária, a curva ROC (Receiver Operating Characteristic ) representa a taxa de verdadeiros positivos (Recall) em relação à taxa de falsos positivos. A AUC fornece uma pontuação única que resume o desempenho do modelo em todos os limiares de classificação. A área sob a curva Precisão-Recall (AUC-PR) é frequentemente mais informativa para tarefas de classificação desequilibradas.