Recall

Duyarlılık; hassasiyet veya gerçek pozitif oranı olarak da bilinir ve bir modelin veri kümesindeki ilgili tüm örnekleri belirleme yeteneğini ölçen temel bir makine öğrenimi performans metriğidir. Nesne tespiti veya sınıflandırma bağlamında özellikle şu soruyu yanıtlar: "Gerçek pozitif vakaların tümü arasından model kaç tanesini doğru şekilde buldu?" Genellikle yanlış negatif olarak adlandırılan pozitif bir örneğin gözden kaçırılmasının önemli sonuçlar doğurduğu senaryolarda yüksek duyarlılık elde etmek kritik öneme sahiptir. Dengesiz verilerle çalışırken yanıltıcı olabilen doğruluğun aksine duyarlılık, modelin hedef sınıfı "yakalama" konusundaki etkinliğine odaklanan bir görünüm sunar.

Yüksek Duyarlılığın Önemi#

Birçok yapay zekâ uygulamasında bir nesneyi tespit edememenin maliyeti, yanlış alarmın maliyetinden çok daha yüksektir. Duyarlılık için optimize edilmiş bir model, yanlış negatifleri en aza indirerek sistemin olası tehditleri, anormallikleri veya kritik durumları yakalayacak kadar geniş bir ağ atmasını sağlar. Bu genellikle bir ödünleşim içerir; çünkü duyarlılığın artırılması bazen daha düşük bir kesinlik skoruna yol açabilir ve bu da modelin ilgili olmayan daha fazla öğeyi pozitif olarak işaretleyebileceği anlamına gelir. Bu dengeyi anlamak, sağlam makine öğrenimi çözümleri geliştirmek için kritik öneme sahiptir.

Gerçek Dünya Uygulamaları#

Duyarlılık, güvenliğin kritik olduğu birçok AI çözümünün temel metriğidir. Hassasiyetin öncelikli olduğu iki önemli örneği aşağıda bulabilirsin:

• Tıbbi Tanı: Tıbbi görüntü analizinde, örneğin hastalığın erken belirtilerini tespit etmek için röntgen taramalarında, yüksek duyarlılık vazgeçilmezdir. Bir sağlık hizmetlerinde AI sistemi tümörleri tespit etmek için kullanılıyorsa, sistemin iyi huylu olduğu ortaya çıkan şüpheli bir gölgeyi yanlış pozitif olarak işaretlemesi, kötü huylu bir tümörü tamamen gözden kaçırmasından çok daha iyidir. Doktorlar, olası sağlık risklerinin gözden kaçırılmamasını sağlamak için bu araçlara bir güvenlik ağı olarak güvenir.
• Güvenlik ve Gözetim: Bir güvenlik alarmı sisteminin temel amacı her izinsiz giriş denemesini tespit etmektir. Yüksek duyarlılık için optimize edilmiş bir sistem, bir kişi kısıtlı bir bölgeye girdiğinde alarmın tetiklenmesini sağlar. Bu durum yaban hayvanlarının neden olduğu ara sıra yanlış alarmlara yol açabilse de sistemin gerçek bir davetsiz misafiri tespit edememesinden daha iyidir. Bu senaryolardaki nesne tespiti modelleri, olası tehditlere karşı en yüksek duyarlılığı sağlayacak şekilde ayarlanır.

Duyarlılık ve Kesinlik#

Duyarlılığı, karşıtı olan kesinlikten ayırt etmek çok önemlidir. Duyarlılık bulunan ilgili vakaların miktarını (tamamlılığı) ölçerken kesinlik, pozitif tahminlerin kalitesini (doğruluğunu) ölçer.

• Duyarlılık: Gözden kaçan tespitleri önlemeye odaklanır. "Tüm elmaları bulduk mu?"
• Kesinlik: Yanlış alarmları en aza indirmeye odaklanır. "Elma olarak adlandırdığımız şeylerin tümü gerçekten elma mı?"

Bu iki metrik genellikle bir Kesinlik-Duyarlılık eğrisi ile görselleştirilen ters bir ilişki içindedir. Geliştiriciler, aralarındaki genel dengeyi değerlendirmek için genellikle her ikisinin harmonik ortalaması olan F1 skoruna bakar. Dengesiz veri kümelerinde duyarlılığa karmaşıklık matrisi ile birlikte bakmak, performans hakkında tek başına doğruluktan çok daha net bir fikir verir.

Ultralytics YOLO ile Duyarlılığı Ölçme#

En yeni YOLO26 gibi modeller eğitilirken duyarlılık, doğrulama aşamasında otomatik olarak hesaplanır. Çerçeve, her sınıf için duyarlılığı ve ortalama Kesinliği (mAP) hesaplayarak geliştiricilerin modelin nesneleri ne kadar iyi bulduğunu değerlendirmesine yardımcı olur.

Eğitilmiş bir modeli kolayca doğrulayabilir ve Python kullanarak duyarlılık metriklerini görüntüleyebilirsin. Bu kod parçacığı, bir modelin nasıl yükleneceğini ve standart bir veri kümesindeki performansının nasıl kontrol edileceğini 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 çalıştırmak için Ultralytics API'sinden yararlanır. Duyarlılık projen için gerekenden düşükse daha çeşitli eğitim örnekleri oluşturmak için veri artırma veya modelin hassasiyetini ayarlamak için hiperparametre optimizasyonu gibi teknikleri değerlendirebilirsin. Ultralytics Platformu da veri kümelerini yönetme ve bu metrikleri birden fazla eğitim çalıştırması boyunca izleme sürecini kolaylaştırabilir.

Model Duyarlılığını İyileştirme#

Bir modelin duyarlılığını artırmak için veri bilimcileri genellikle çıkarım sırasında kullanılan güven eşiğini ayarlar. Eşiğin düşürülmesi modeli daha "iyimser" hâle getirerek daha fazla tahmini pozitif olarak kabul etmesini sağlar; bu da duyarlılığı artırırken kesinliği düşürebilir. Ayrıca daha çeşitli eğitim verileri toplamak, modelin zor negatifleri ve belirsiz örnekleri tanımayı öğrenmesine yardımcı olur. Karmaşık görevlerde Transformer blokları gibi gelişmiş mimariler kullanmak veya ensemble yöntemlerini incelemek, daha basit modellerin gözden kaçırabileceği ince özellikleri tespit etme konusunda sistemin yeteneğini de geliştirebilir.