Полнота (Recall)

Отзыв, также известный как чувствительность или частота истинных положительных результатов, является фундаментальной метрика оценки, используемая для измерения способность модели машинного обучения (ML) выявлять все релевантные экземпляры в наборе данных. По сути, recall отвечает на конкретный вопрос: "Из всех из всех реальных положительных случаев, сколько из них модель успешно detect?". Эта метрика в первую очередь направлена на минимизации ложноотрицательных результатов, гарантируя, что критические события или объекты не будут упущены. Хотя точность дает общее представление о производительности, запоминание становится основным показателем успеха в сценариях, где пропуск цели обходится дороже, чем ложная тревоги.

Важность запоминания в искусственном интеллекте

Во многих задачах компьютерного зрения (КЗ) и анализа данных стоимость ошибок не одинакова. Невозможность detect положительный случай (ошибка II типа) иногда может быть опасным или дорогостоящим. Высокая запоминаемость гарантирует, что система забрасывает широкую сеть, чтобы поймать как можно больше истинных положительных результатов. сколько возможно. Этого часто добиваются, регулируя порога доверия во время вывода; снижение порога порога, как правило, увеличивает запоминание, но может привести к увеличению числа ложных срабатываний.

Инженеры часто анализируют кривую "точность-вызов чтобы понять компромиссы, присущие их моделям. Модель со 100-процентной повторяемостью обнаружила все целевые объекты, хотя, возможно, она также неверно определила некоторые фоновые шумы как цели.

Применение в реальном мире

Отзыв - это основной показатель, на котором основаны многие важные для безопасности ИИ. Вот два ярких примера, где отзыв имеет приоритет приоритет:

• Медицинская диагностика: В области анализа медицинских изображений, таких как скрининг рентгеновских снимков или магнитно-резонансных томографов, высокий отзыв не является обязательным условием. Если модель искусственного интеллекта для обнаружения опухолей анализирует снимки, гораздо лучше, если система отметит подозрительную тень, которая окажется доброкачественной (ложное срабатывание), чем пропустит злокачественную опухоль. положительный результат), чем полностью пропустить злокачественную опухоль (ложноотрицательный результат). Врачи полагаются на эти ИИ в здравоохранении - это защитная сетка, гарантируя, что потенциальные риски для здоровья не будут проигнорированы.
• Безопасность и наблюдение: Для Система охранной сигнализации ставит своей главной задачей detect каждую попытку вторжения. Система, оптимизированная под высокий уровень срабатывания, гарантирует, что если человек входит в запретную Если человек входит в запретную зону, срабатывает сигнализация. Хотя это может привести к случайным ложным срабатываниям, вызванным животными или тенями, это предпочтительнее, чем если бы система не смогла detect реального нарушителя. Модели обнаружения объектов в таких сценариях настраиваются таким образом, чтобы обеспечить максимальную чувствительность к потенциальным угрозам.

Recall по сравнению с Precision и Accuracy

Понимание разницы между показателями recall и связанными с ними показателями имеет решающее значение для интерпретации результатов оценки модели.

• Recall против Precision: В то время как количество найденных истинных положительных результатов измеряется показателем recall, точность измеряет качество или надежность этих положительных прогнозов. Вопрос точности: "Из всех предметов, помеченных как положительные, сколько на самом деле оказались положительными?" Часто приходится идти на компромисс: увеличение количества просмотров за счет принятия менее надежных обнаружений обычно снижает точность. F1-score - это метрика, которая объединяет оба показателя для получения сбалансированной картины.
• Recall по сравнению с Accuracy: Точность измеряет общий процент правильных предсказаний (как положительных и отрицательных). Однако на несбалансированных наборах данных - например, на производственной линии, где 99 % деталей хороши и только 1 % бракованны, - модель может просто предсказывать "хорошо" каждый раз и достигать 99 % точности, при этом имея 0 % отзывов о дефектах. В таких задачах обнаружения аномалий, отзыв является гораздо более честной метрикой, чем точность.

Измерение запоминания с помощью Ultralytics YOLO

При разработке моделей с помощью Ultralytics YOLO11 архитектура, отзыв автоматически вычисляется автоматически в процессе валидации. Фреймворк рассчитывает отзыв для каждого класса и среднее значение точности (mAP), что помогает разработчикам оценить, насколько хорошо модель находит объекты.

С помощью Python можно легко проверить обученную модель и просмотреть показатели ее запоминания:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on a standard dataset like COCO8
# The results will include Precision (P), Recall (R), and mAP
metrics = model.val(data="coco8.yaml")

# Access the mean recall score from the results
print(f"Mean Recall: {metrics.results_dict['metrics/recall(B)']}")

Этот фрагмент кода загружает файл YOLO11 и запускает проверку на наборе данныхCOCO8 . Выходные данные На выходе вы получите исчерпывающую информацию о производительности, которая позволит вам оценить, соответствует ли ваша модель необходимым требованиям к отзыву для вашего конкретного приложения. Если показатели запоминания слишком низкие, можно рассмотреть такие методы, как увеличение объема данных или настройка гиперпараметров для повышения чувствительности.