Recall

Como é calculada a recuperação

A recuperação é calculada dividindo o número de verdadeiros positivos (TP) pela soma de verdadeiros positivos e falsos negativos (FN). Os Verdadeiros positivos são as instâncias corretamente identificadas como positivas, enquanto os Falsos negativos são as instâncias positivas que o modelo classificou incorretamente como negativas. Uma pontuação Recall alta indica que o modelo é eficaz em encontrar a maioria das instâncias positivas nos dados. Esta métrica é fundamental para avaliar o desempenho do modelo, especialmente em tarefas como a deteção de objectos e a classificação de imagens. Ferramentas e plataformas como o Ultralytics HUB apresentam frequentemente o Recall juntamente com outras métricas durante a avaliação do modelo.

Recuperação vs. métricas relacionadas Métricas relacionadas

Compreender o Recall implica frequentemente compará-lo com outras métricas de avaliação comuns:

• Precisão: Enquanto a Recuperação se concentra na captura de todas as instâncias positivas reais, a Precisão mede a exatidão das previsões positivas feitas pelo modelo (TP / (TP + falsos positivos)). Existe frequentemente um compromisso entre a precisão e a recuperação; melhorar uma pode diminuir a outra. Isto é conhecido como o tradeoff Precisão-Recall.
• Precisão: A precisão mede a correção global do modelo em todas as classes ((TP + Verdadeiros negativos) / Total de previsões). No entanto, a precisão pode ser enganadora, especialmente com conjuntos de dados desequilibrados em que uma classe supera significativamente as outras. Nesses casos, a Recuperação para a classe minoritária é frequentemente uma métrica mais informativa.
• F1-Score: O F1-Score é a média harmónica de Precisão e Recuperação, fornecendo uma única métrica que equilibra ambas as preocupações. É útil quando precisas de um compromisso entre encontrar todas as instâncias positivas (Recuperação) e garantir que as instâncias identificadas são de facto positivas (Precisão). Podes explorar guias detalhados sobre as métricas de desempenhoYOLO para obteres mais informações.

Importância e aplicações

A recuperação elevada é fundamental em aplicações em que a perda de instâncias positivas é dispendiosa ou perigosa. O foco está em minimizar os falsos negativos.

• Análise de imagens médicas: Em sistemas de diagnóstico, como a deteção de tumores cancerígenos a partir de exames, é fundamental maximizar o Recall. Não detetar uma doença (um Falso Negativo) pode ter consequências graves para a saúde do doente, pelo que é preferível ter alguns Falsos Positivos (que assinalam tecido saudável como potencialmente doente) que podem ser excluídos através de mais testes. A IA nos cuidados de saúde baseia-se fortemente em modelos de elevada taxa de retorno para o rastreio, contribuindo para os avanços discutidos em revistas como a Radiology: Artificial Intelligence. Por exemplo, a deteção de tumores cerebrais requer uma elevada sensibilidade.
• Deteção de fraudes: Nos sistemas financeiros, a identificação de transacções fraudulentas é crucial. Um modelo de alta recuperação garante que a maioria das tentativas reais de fraude seja detectada, minimizando as perdas financeiras. Embora isto possa levar à sinalização de algumas transacções legítimas para revisão (falsos positivos), o custo de não detetar uma transação fraudulenta (falso negativo) é normalmente muito mais elevado. Muitas aplicações de IA em finanças dão prioridade ao Recall.
• Sistemas de segurança: Para sistemas de vigilância concebidos para detetar intrusos ou ameaças, um Recall elevado garante que os potenciais perigos não passam despercebidos. A omissão de uma ameaça real (Falso Negativo) pode comprometer a segurança, como se vê nas aplicações de segurança orientadas para a IA.
• Controlo de qualidade no fabrico: Em sistemas de inspeção automatizados, a elevada Recuperação ajuda a identificar quase todos os produtos defeituosos numa linha de produção, evitando que os itens defeituosos cheguem aos consumidores. A falta de um defeito (Falso Negativo) pode levar à insatisfação do cliente e a problemas de segurança. Sabe mais sobre a IA na indústria transformadora.

Recall nos modelosYOLO Ultralytics

No contexto da visão por computador (CV) e de modelos como Ultralytics YOLOa 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 PyTorch ou 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 a afinação de hiperparâmetros ou a exploração de diferentes arquitecturas de modelos, como o YOLOv10 ou o mais recente YOLO11. Recursos como a documentaçãoUltralytics oferecem guias completos sobre formação e avaliação.