Recall

Độ thu hồi, còn được gọi là độ nhạy hoặc tỷ lệ dương tính thực, là một thước đo đánh giá cơ bản được sử dụng để đo lường khả năng của mô hình học máy (ML) trong việc xác định tất cả các trường hợp liên quan trong một tập dữ liệu. Về bản chất, độ thu hồi trả lời câu hỏi cụ thể: "Trong số tất cả các trường hợp dương tính thực tế, có bao nhiêu trường hợp mô hình đã thành công?" detect ?" Chỉ số này đặc biệt tập trung vào việc giảm thiểu các trường hợp âm tính giả, đảm bảo các sự kiện hoặc đối tượng quan trọng không bị bỏ sót. Trong khi độ chính xác cung cấp cái nhìn tổng quan về hiệu suất, thì khả năng thu hồi trở thành chỉ số chính đánh giá thành công trong các tình huống mà việc bỏ sót mục tiêu có chi phí cao hơn so với báo động giả.

Tầm quan trọng của việc thu hồi trong AI

Trong nhiều nhiệm vụ phân tích dữ liệu và thị giác máy tính (CV) , chi phí lỗi không đồng đều. Không detect Một trường hợp dương tính (lỗi Loại II) đôi khi có thể nguy hiểm hoặc tốn kém. Độ thu hồi cao đảm bảo hệ thống có thể thu thập được càng nhiều kết quả dương tính thật càng tốt. Điều này thường đạt được bằng cách điều chỉnh ngưỡng tin cậy trong quá trình suy luận; việc hạ thấp ngưỡng thường làm tăng độ thu hồi nhưng có thể dẫn đến nhiều kết quả dương tính giả hơn.

Các kỹ sư thường phân tích đường cong độ chính xác-thu hồi để hiểu những đánh đổi vốn có trong mô hình của họ. Một mô hình có độ thu hồi 100% đã tìm thấy mọi đối tượng mục tiêu, mặc dù nó cũng có thể đã gán nhãn sai một số nhiễu nền là mục tiêu.

Các Ứng dụng Thực tế

Khả năng nhớ lại là thước đo chủ chốt đằng sau nhiều giải pháp AI quan trọng về an toàn. Dưới đây là hai ví dụ nổi bật trong đó khả năng nhớ lại được ưu tiên:

• Chẩn đoán Y khoa: Trong lĩnh vực phân tích hình ảnh y khoa , chẳng hạn như sàng lọc bệnh tật bằng X-quang hoặc MRI, độ chính xác cao là điều không thể bàn cãi. Nếu một mô hình AI dùng để phát hiện khối u đang phân tích các hình ảnh chụp cắt lớp, việc hệ thống đánh dấu một bóng mờ đáng ngờ hóa ra lại lành tính (kết quả dương tính giả) sẽ tốt hơn nhiều so với việc bỏ sót hoàn toàn một khối u ác tính (kết quả âm tính giả). Các bác sĩ dựa vào AI trong các công cụ chăm sóc sức khỏe này để hoạt động như một tấm lưới an toàn, đảm bảo không bỏ sót bất kỳ nguy cơ sức khỏe tiềm ẩn nào.
• An ninh và giám sát: Đối với hệ thống báo động an ninh , mục tiêu chính là detect Mọi nỗ lực xâm nhập. Một hệ thống được tối ưu hóa cho khả năng thu hồi cao đảm bảo rằng nếu có người xâm nhập vào khu vực cấm, báo động sẽ được kích hoạt. Mặc dù điều này đôi khi có thể dẫn đến báo động giả do động vật hoặc bóng tối gây ra, nhưng vẫn tốt hơn so với việc hệ thống không thể thu hồi. detect kẻ xâm nhập thực sự. Các mô hình phát hiện đối tượng trong những tình huống này được điều chỉnh để đảm bảo độ nhạy tối đa đối với các mối đe dọa tiềm ẩn.

Thu hồi so với Độ chính xác và Độ chính xác

Việc hiểu được sự khác biệt giữa khả năng thu hồi và các số liệu liên quan là rất quan trọng để diễn giải những hiểu biết sâu sắc về đánh giá mô hình .

• Độ thu hồi so với độ chính xác: Trong khi độ thu hồi đo lường số lượng kết quả dương tính thật được tìm thấy, độ chính xác đo lường chất lượng hoặc độ tin cậy của những dự đoán dương tính đó. Độ chính xác đặt ra câu hỏi: "Trong số tất cả các mục được dán nhãn dương tính, có bao nhiêu mục thực sự dương tính?" Thường có một sự đánh đổi; việc tăng độ thu hồi bằng cách chấp nhận các phát hiện có độ tin cậy thấp hơn thường làm giảm độ chính xác. Điểm F1 là một thước đo kết hợp cả hai để cung cấp một cái nhìn cân bằng.
• Độ thu hồi so với Độ chính xác: Độ chính xác đo lường tỷ lệ phần trăm tổng thể của các dự đoán đúng (cả tích cực và tiêu cực). Tuy nhiên, trên các tập dữ liệu mất cân bằng — chẳng hạn như một dây chuyền sản xuất với 99% bộ phận tốt và chỉ 1% bị lỗi — một mô hình có thể chỉ cần dự đoán "tốt" mọi lúc và đạt độ chính xác 99% trong khi có 0% độ thu hồi lỗi. Trong các tác vụ phát hiện bất thường như vậy, độ thu hồi là một thước đo trung thực hơn nhiều so với độ chính xác.

Đo lường thu hồi với Ultralytics YOLO

Khi phát triển các mô hình với kiến trúc Ultralytics YOLO11 , độ thu hồi được tự động tính toán trong quá trình xác thực. Khung này tính toán độ thu hồi cho từng lớp và Độ chính xác trung bình ( mAP ) , giúp các nhà phát triển đánh giá mức độ hiệu quả của mô hình tìm kiếm đối tượng.

Bạn có thể dễ dàng xác thực một mô hình đã được đào tạo và xem số liệu thu hồi của nó bằng cách sử dụng Python :

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)']}")

Đoạn mã này tải mô hình YOLO11 và chạy xác thực trên tập dữ liệu COCO8 . Đầu ra cung cấp phân tích hiệu suất toàn diện, cho phép bạn đánh giá xem mô hình của mình có đáp ứng các yêu cầu về độ thu hồi cần thiết cho ứng dụng cụ thể hay không. Nếu độ thu hồi quá thấp, bạn có thể cân nhắc các kỹ thuật như tăng cường dữ liệu hoặc điều chỉnh siêu tham số để cải thiện độ nhạy.