Recall

Revocação é a proporção de casos positivos reais que um modelo identifica corretamente. Ela responde à pergunta "de tudo o que deveria ter sido encontrado, quanto o modelo encontrou?" e é calculada dividindo os verdadeiros positivos por todos os positivos reais: recall = TP / (TP + FN), em que um falso negativo (FN) é um caso positivo que o modelo não detectou. A revocação vai de 0 a 1; portanto, uma revocação de 0.90 significa que o modelo não detecta 1 em cada 10 positivos. Sensibilidade, taxa de verdadeiros positivos (TPR) e taxa de acertos são sinônimos; a taxa de casos não detectados, ou taxa de falsos negativos, é igual a 1 menos a revocação. A revocação é mais importante quando deixar de detectar algo tem um custo alto, como um tumor não detectado em um exame de triagem ou um intruso que um sistema de alarme não consegue sinalizar.

Como a revocação é calculada#

A revocação usa duas células da matriz de confusão: os verdadeiros positivos e os falsos negativos, que juntos representam todos os positivos reais. Os falsos positivos e os verdadeiros negativos nunca entram na fórmula, então um modelo que classifica tudo como positivo alcança uma revocação perfeita de 1.0, mas é inútil. Portanto, a revocação é apresentada junto com a precisão, TP / (TP + FP), que penaliza exatamente esses falsos alarmes. Por exemplo, um modelo de triagem que sinaliza 90 de 100 tumores em um conjunto de teste tem revocação de 0.90, independentemente de quantos exames saudáveis também sinaliza; a precisão mostra quantos desses alertas eram reais.

Com mais de duas classes, a revocação é calculada por classe, considerando essa classe como positiva e todas as outras como negativas, e depois calculando a média. A revocação macro atribui o mesmo peso a todas as classes, revelando o baixo desempenho em classes raras; em tarefas multiclasse de rótulo único, a revocação micro é igual à acurácia.

O compromisso entre precisão e revocação#

A maioria dos modelos gera uma pontuação, e um limiar de decisão a transforma em uma resposta sim ou não. Diminuir o limiar sinaliza mais casos, o que aumenta a revocação e geralmente reduz a precisão. O script do scikit-learn abaixo avalia 15 peças, das quais 5 são defeituosas, com três limiares:

import numpy as np
from sklearn.metrics import precision_score, recall_score

# 5 defective parts (1) and 10 good parts (0), with the model's defect score for each
y_true = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
scores = np.array([0.95, 0.80, 0.55, 0.40, 0.20, 0.60, 0.35, 0.30, 0.15, 0.10, 0.10, 0.05, 0.05, 0.05, 0.02])

# Lowering the decision threshold flags more parts as defective
for threshold in (0.7, 0.5, 0.3):
    y_pred = scores >= threshold
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"threshold {threshold}: recall {recall:.2f}, precision {precision:.2f}")

Com um limiar de 0.7, o modelo encontra 2 dos 5 defeitos sem falsos alarmes, com revocação de 0.40 e precisão de 1.00. Ao reduzir o limiar para 0.3, encontra 4 defeitos, com revocação de 0.80, mas 3 das 7 peças sinalizadas estão em boas condições, então a precisão cai para 0.57. Representar graficamente todos os limiares traça uma curva de precisão-revocação, e a pontuação F1 ou uma pontuação F2 ponderada pela revocação escolhe um único ponto operacional nela. No YOLO26, o limiar conf da previsão define esse compromisso, com valor padrão de 0.25: reduzi-lo, por exemplo, para conf=0.1, recupera objetos menos visíveis, menores e parcialmente ocultos, ao custo de mais detecções falsas.

Revocação na detecção de objetos#

Na detecção de objetos, os positivos são os objetos rotulados em cada imagem. Um objeto rotulado só é considerado encontrado quando uma previsão da mesma classe se sobrepõe a ele com um valor de interseção sobre união (IoU) igual ou superior a um limiar, geralmente 0,5. Cada previsão só pode corresponder a um objeto; por isso, uma única caixa que cobre duas pessoas em uma multidão detecta uma delas, e a outra é contabilizada como um falso negativo.

A revocação do detector depende, portanto, do limiar de confiança, do limiar de IoU e do pós-processamento. Um limiar de IoU mais rigoroso, como 0.75, reduz a revocação de caixas posicionadas de forma imprecisa; a supressão não máxima (NMS) pode excluir caixas corretas em objetos muito sobrepostos, e um limite de detecções por imagem restringe a revocação em cenas densas. A precisão média média (mAP) integra a precisão em todos os níveis de revocação, portanto cada objeto que o modelo nunca encontra a reduz. A avaliação COCO também informa a revocação média (AR), a revocação máxima alcançada com um número fixo de detecções por imagem, calculada como média sobre limiares de IoU de 0.50 a 0.95, como AR@1, AR@10 e AR@100.

Como melhorar a revocação#

• Reduzir o limiar de confiança: a solução mais rápida, que custa uma redução na precisão.
• Coletar e rotular os casos não detectados: adicione exemplos de treinamento das condições em que o modelo falha, como objetos pequenos, ocluídos ou noturnos. Analisar os falsos negativos nos dados de validação mostra quais são esses casos.
• Aumentar a resolução de entrada: objetos pequenos que ficam reduzidos a poucos pixels em baixa resolução tornam-se detectáveis em resoluções maiores.
• Como lidar com o desequilíbrio entre classes: Funções de perda como a perda focal e a reamostragem de classes raras impedem que o modelo ignore a classe minoritária.

Recall vs. termos relacionados#

• Precisão: A proporção de previsões positivas que estão corretas. O recall pergunta quanto do alvo o modelo encontrou, e a precisão pergunta quanto do que encontrou estava correto.
• Especificidade: A taxa de verdadeiros negativos, TN / (TN + FP), ou seja, a proporção de negativos corretamente rejeitados. Os testes médicos apresentam o par como sensibilidade e especificidade.
• Curva característica de operação do recetor (ROC): Representa o recall, como taxa de verdadeiros positivos, em relação à taxa de falsos positivos para diferentes limiares. A área sob a curva (AUC) resume isso num único número.
• Acurácia: A proporção de todas as previsões que estão corretas. Com 1% de positivos, um modelo que prevê sempre negativo alcança 99% de acurácia e 0% de recall.