Recall

Duyarlılık (Recall), hassasiyet veya gerçek pozitif oranı olarak da bilinir; bir modelin veri kümesindeki tüm ilgili örnekleri tanımlama yeteneğini ölçen, makine öğrenimindeki temel bir performans metriğidir. Nesne algılama veya sınıflandırma bağlamında, özellikle şu soruyu yanıtlar: "Gerçek pozitif vakaların tamamından, model kaç tanesini doğru şekilde bulabildi?" Yüksek duyarlılık elde etmek, pozitif bir örneği kaçırmanın —genellikle yanlış negatif olarak adlandırılır— önemli sonuçlar doğurduğu senaryolarda kritik öneme sahiptir. Dengesiz verilerle uğraşırken yanıltıcı olabilen doğruluk (accuracy) değerinden farklı olarak duyarlılık, modelin hedef sınıfı "yakalama" konusundaki etkinliğine odaklanmış bir bakış açısı sunar.

Link to this sectionYüksek Duyarlılığın Önemi#

Pek çok yapay zeka uygulamasında, bir nesneyi tespit edememenin maliyeti, yanlış alarm maliyetinden çok daha yüksektir. Duyarlılık için optimize edilmiş bir model, yanlış negatifleri en aza indirerek sistemin potansiyel tehditleri, anormallikleri veya kritik durumları yakalamak için yeterince geniş bir ağ kurmasını sağlar. Bu durum genellikle bir ödünleşim içerir; çünkü duyarlılığı artırmak bazen daha düşük bir kesinlik (precision) puanına yol açabilir, yani model konuyla ilgisi olmayan öğeleri pozitif olarak daha fazla işaretleyebilir. Bu dengeyi anlamak, sağlam makine öğrenimi çözümleri geliştirmek için anahtardır.

Link to this sectionGerçek Dünya Uygulamaları#

Duyarlılık, güvenliğin kritik olduğu birçok yapay zeka çözümü için itici bir metriktir. İşte hassasiyetin öncelikli olduğu iki önemli örnek:

• Tıbbi Teşhis: Hastalığın erken belirtileri için röntgen taraması gibi tıbbi görüntü analizi süreçlerinde yüksek duyarlılık vazgeçilmezdir. Eğer tümörleri tespit etmek için bir sağlık alanında yapay zeka sistemi kullanılıyorsa, sistemin iyi huylu olduğu ortaya çıkan şüpheli bir gölgeyi işaretlemesi (yanlış pozitif), kötü huylu bir tümörü tamamen gözden kaçırmasından çok daha iyidir. Doktorlar, hiçbir potansiyel sağlık riskinin göz ardı edilmediğinden emin olmak adına bu araçlara bir güvenlik ağı gibi güvenirler.
• Güvenlik ve Gözetim: Bir güvenlik alarm sistemi için birincil amaç, her izinsiz giriş denemesini tespit etmektir. Yüksek duyarlılık için optimize edilmiş bir sistem, bir kişi kısıtlı bir bölgeye girdiğinde alarmın tetiklenmesini sağlar. Bu durum bazen vahşi yaşamın neden olduğu yanlış alarmlara yol açsa da, sistemin gerçek bir davetsiz misafiri tespit edememesinden daha tercih edilir bir durumdur. Bu senaryolardaki nesne algılama modelleri, potansiyel tehditlere karşı maksimum hassasiyeti sağlayacak şekilde ayarlanmıştır.

Link to this sectionDuyarlılık (Recall) ve Kesinlik (Precision)#

Duyarlılığı, muadili olan kesinlikten (precision) ayırmak esastır. Duyarlılık bulunan ilgili vaka miktarını (tamlık) ölçerken, kesinlik pozitif tahminlerin kalitesini (doğruluk) ölçer.

• Duyarlılık (Recall): Kaçırılan tespitleri önlemeye odaklanır. "Tüm elmaları bulduk mu?"
• Kesinlik (Precision): Yanlış alarmları en aza indirmeye odaklanır. "Elma dediğimiz her şey gerçekten elma mı?"

Bu iki metrik, genellikle Kesinlik-Duyarlılık eğrisi ile görselleştirilen ters bir ilişki paylaşır. Bunlar arasındaki genel dengeyi değerlendirmek için geliştiriciler genellikle her ikisinin harmonik ortalaması olan F1-skoruna bakarlar. Dengesiz veri kümelerinde, duyarlılığı karmaşıklık matrisi ile birlikte incelemek, tek başına doğruluktan çok daha net bir performans tablosu sunar.

Link to this sectionUltralytics YOLO ile Duyarlılığı Ölçme#

En yeni YOLO26 gibi modelleri eğitirken duyarlılık, doğrulama (validation) aşamasında otomatik olarak hesaplanır. Çerçeve (framework), her sınıf için duyarlılığı ve ortalama Ortalama Kesinliği (mAP) hesaplayarak geliştiricilerin modelin nesneleri ne kadar iyi bulduğunu ölçmesine yardımcı olur.

Python kullanarak eğitilmiş bir modeli kolayca doğrulayabilir ve duyarlılık metriklerini görüntüleyebilirsiniz. Bu kod parçası, bir modeli nasıl yükleyeceğinizi ve standart bir veri kümesi üzerindeki performansını nasıl kontrol edeceğinizi gösterir:

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}")

Bu kod, doğrulama işlemini çalıştırmak için Ultralytics API kullanır. Eğer duyarlılık projeniz için gerekenden düşükse, daha çeşitli eğitim örnekleri oluşturmak için veri artırma (data augmentation) veya modelin hassasiyetini ayarlamak için hiperparametre ayarı (hyperparameter tuning) gibi teknikleri düşünebilirsiniz. Ultralytics Platform kullanımı, veri kümelerini yönetme ve bu metrikleri birden fazla eğitim çalışması boyunca takip etme sürecini de kolaylaştırabilir.

Link to this sectionModel Duyarlılığını Artırma#

To boost a model's recall, data scientists often adjust the confidence threshold used during inference. Lowering the threshold makes the model more "optimistic," accepting more predictions as positive, which increases recall but may decrease precision. Additionally, collecting more diverse training data helps the model learn to recognize hard negatives and obscure instances. For complex tasks, employing advanced architectures like Transformer blocks or exploring ensemble methods can also improve the system's ability to detect subtle features that simpler models might miss.