Geri Çağırma (Recall)

Hassasiyet veya gerçek pozitif oran olarak da bilinen hatırlama, temel bir ölçmek için kullanılan değerlendirme metriği Bir makine öğrenimi (ML) modelinin Bir veri kümesi içindeki tüm ilgili örnekleri tanımlar. Özünde, hatırlama belirli bir soruyu yanıtlar: "Tüm örneklerden Gerçek pozitif vakaların kaçını model başarılı bir şekilde detect etti?" Bu metrik özellikle aşağıdakilere odaklanmaktadır Yanlış negatifleri en aza indirerek kritik olayların veya nesnelerin gözden kaçırılmamasını sağlar. Bir yandan doğruluğu performansa genel bir bakış sağlar, Hedefi ıskalamanın yanlış hedefe göre daha yüksek maliyet taşıdığı senaryolarda hatırlama başarının birincil göstergesi haline gelir. Alarm.

Yapay Zeka'da Hatırlamanın Önemi

Birçok bilgisayarla görme (CV) ve veri analizinde görevlerinde, hataların maliyeti tekdüze değildir. Pozitif bir vakayı detect edememek (Tip II hata) bazen tehlikeli veya pahalı. Yüksek geri çağırma, sistemin olabildiğince çok sayıda gerçek pozitif yakalamak için geniş bir ağ oluşturmasını sağlar. mümkündür. Bu genellikle aşağıdaki ayarlamalarla sağlanır çıkarım sırasında güven eşiği; düşürme eşiği genellikle geri çağırmayı artırır ancak daha fazla yanlış pozitifle sonuçlanabilir.

Mühendisler genellikle hassasiyet-geri çağırma eğrisi modellerinin doğasında bulunan ödünleşimleri anlamak için. 100 hatırlama oranına sahip bir model her bir hedef nesneyi bulmuştur, Yine de bazı arka plan gürültülerini yanlışlıkla hedef olarak etiketlemiş olabilir.

Gerçek Dünya Uygulamaları

Geri çağırma, güvenlik açısından kritik öneme sahip birçok uygulamanın arkasındaki itici ölçüttür Yapay zeka çözümleri. İşte hatırlamanın önem kazandığı iki önemli örnek Öncelik:

• Tıbbi Teşhis: Bu alanda tarama gibi tıbbi görüntü analizi röntgen veya MRI yoluyla hastalıklar için yüksek geri çağırma tartışılmazdır. Eğer bir Tümör tespiti için yapay zeka modeli taramaları analiz ederken, iyi huylu olduğu ortaya çıkan şüpheli bir gölgeyi işaretlemek sistem için çok daha iyidir (yanlış bir pozitif), kötü huylu bir tümörü tamamen gözden kaçırmaktan (yanlış negatif) daha iyidir. Doktorlar bunlara güveniyor Sağlık hizmetlerinde yapay zeka, bir güvenlik ağı görevi görecek, hiçbir potansiyel sağlık riskinin göz ardı edilmemesini sağlamak.
• Güvenlik ve Gözetim: için güvenlik alarm sistemi, birincil hedef Her izinsiz giriş girişimini detect etmek için. Yüksek geri çağırma için optimize edilmiş bir sistem, bir kişinin kısıtlı bir alana girmesi durumunda bölgesinde alarm tetiklenir. Bu durum zaman zaman hayvanların veya gölgelerin neden olduğu yanlış alarmlara yol açsa da, bu sistemin gerçek bir davetsiz misafiri detect edememesine tercih edilir. Bu senaryolardaki nesne algılama modelleri şunlardır Potansiyel tehditlere karşı maksimum hassasiyet sağlamak için ayarlanmıştır.

Geri Çağırma ile Kesinlik ve Doğruluk

Geri çağırma ve ilgili ölçümler arasındaki farkı anlamak, yorumlama için çok önemlidir model değerlendirme içgörüleri.

• Geri Çağırma ve Kesinlik: Geri çağırma ise bulunan doğru pozitiflerin miktarını ölçer, hassasiyeti, bunların kalitesini veya güvenilirliğini ölçer olumlu tahminler. Hassasiyet şu soruyu sorar: "Olumlu olarak etiketlenen tüm öğelerden kaç tanesi gerçekten pozitif mi?" Genellikle bir değiş tokuş söz konusudur; daha düşük güvenirlikli tespitleri kabul ederek hatırlanabilirliği artırmak genellikle hassasiyeti düşürür. F1-skoru, aşağıdakileri birleştiren bir metriktir dengeli bir görüş sağlamak için her ikisi de.
• Hatırlama ve Doğruluk: Doğruluk, doğru tahminlerin genel yüzdesini ölçer (hem olumlu ve negatif). Bununla birlikte Parçaların %99'unun iyi ve sadece %1'inin kusurlu olduğu bir üretim hattı gibi dengesiz veri kümeleriiçin bir model basitçe tahmin yapabilir Her seferinde "iyi" ve kusurlar için %0 geri çağırma oranına sahipken %99 doğruluğa ulaşır. Böyle bir durumda anomali tespit görevlerinde, geri çağırma çok daha doğruluktan daha dürüst bir ölçüttür.

Ultralytics YOLO ile Hatırlama Ölçümü

ile modeller geliştirirken Ultralytics YOLO11 mimarisinde, geri çağırma otomatik olarak doğrulama işlemi sırasında hesaplanır. Çerçeve, her sınıf için geri çağırmayı hesaplar ve Ortalama Ortalama Hassasiyet (mAP), yardım Geliştiriciler modelin nesneleri ne kadar iyi bulduğunu ölçer.

Python kullanarak eğitilmiş bir modeli kolayca doğrulayabilir ve geri çağırma ölçümlerini görüntüleyebilirsiniz:

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)']}")

Bu kod parçacığı bir YOLO11 modeli ve COCO8 veri kümesi üzerinde doğrulama çalıştırır. Bu çıktı, kapsamlı bir performans dökümü sağlayarak modelinizin gerekli koşulları karşılayıp karşılamadığını değerlendirmenize olanak tanır. Özel uygulamanız için geri çağırma gereksinimleri. Geri çağırma çok düşükse, aşağıdaki gibi teknikleri düşünebilirsiniz veri artırımı veya hassasiyeti artırmak için hiperparametre ayarı.