Recall

Recall, còn được gọi là độ nhạy (sensitivity) hoặc tỷ lệ dương tính thật (true positive rate), là một metric hiệu năng cơ bản trong machine learning dùng để đo lường khả năng của một model trong việc nhận diện tất cả các instance liên quan trong một dataset. Trong bối cảnh object detection hoặc classification, nó trả lời cụ thể cho câu hỏi: "Trong số tất cả các trường hợp thực tế là dương tính, model đã tìm chính xác được bao nhiêu?" Đạt được recall cao là cực kỳ quan trọng trong các kịch bản mà việc bỏ sót một instance dương tính—thường được gọi là âm tính giả (false negative)—mang lại hậu quả nghiêm trọng. Khác với accuracy, vốn có thể gây hiểu lầm khi xử lý các dữ liệu mất cân bằng, recall cung cấp cái nhìn tập trung vào hiệu quả của model trong việc "bắt" lấy target class.

Tầm quan trọng của Recall cao#

Trong nhiều ứng dụng artificial intelligence, chi phí của việc không phát hiện được một object lớn hơn rất nhiều so với chi phí của một báo động giả. Một model được tối ưu hóa cho recall sẽ giảm thiểu các trường hợp âm tính giả, đảm bảo rằng hệ thống giăng lưới đủ rộng để bắt các mốiε đe dọa, dị thường hoặc điều kiện tới hạn tiềm ẩn. Điều này thường đi kèm với sự đánh đổi, vì việc tăng recall đôi khi có thể dẫn đến điểm số precision thấp hơn, nghĩa là model có thể gắn cờ nhiều item không liên quan hơn thành dương tính. Hiểu được sự cân bằng này là chìa khóa để phát triển các giải pháp machine learning mạnh mẽ.

Các ứng dụng trong thực tế#

Recall là metric thúc đẩy đằng sau nhiều AI solutions quan trọng về an toàn. Dưới đây là hai ví dụ nổi bật mà độ nhạy được ưu tiên hàng đầu:

• Medical Diagnostics: Trong medical image analysis, chẳng hạn như sàng lọc phim X-quang để tìm dấu hiệu bệnh sớm, recall cao là điều không thể thương lượng. Nếu một hệ thống AI in healthcare được sử dụng để phát hiện khối u, thì việc hệ thống gắn cờ một vùng mờ đáng ngờ hóa ra lại là lành tính (dương tính giả) vẫn tốt hơn nhiều so với việc bỏ sót hoàn toàn một khối u ác tính. Các bác sĩ dựa vào những công cụ này để hoạt động như một lưới an toàn, đảm bảo không có rủi ro sức khỏe tiềm ẩn nào bị bỏ sót.
• Security and Surveillance: Đối với một security alarm system, mục tiêu chính là phát hiện mọi cố gắng xâm nhập. Một hệ thống được tối ưu hóa cho recall cao đảm bảo rằng nếu có người bước vào khu vực hạn chế, báo động sẽ kích hoạt. Mặc dù điều này có thể dẫn đến các báo động giả đôi khi do động vật hoang dã gây ra, nhưng điều này vẫn tốt hơn việc hệ thống không phát hiện được kẻ xâm nhập thực sự. Các model object detection trong các kịch bản này được tinh chỉnh để đảm bảo độ nhạy tối đa đối với các mối đe dọa tiềm ẩn.

Recall so với Precision#

Điều cần thiết là phân biệt recall với đối trọng của nó, precision. Trong khi recall đo lường số lượng các trường hợp liên quan được tìm thấy (tính đầy đủ), thì precision đo lường chất lượng của các dự đoán dương tính (tính chính xác).

• Recall: Tập trung vào việc tránh bỏ lỡ các phát hiện. "Chúng ta đã tìm thấy tất cả những quả táo chưa?"
• Precision: Tập trung vào việc giảm thiểu cảnh báo giả. "Tất cả những thứ chúng ta gọi là táo có thực sự là táo không?"

Hai metric này thường có mối quan hệ nghịch đảo, được trực quan hóa thông qua Precision-Recall curve. Để đánh giá sự cân bằng tổng thể giữa chúng, các developer thường xem xét F1-score, đây là trung bình điều hòa của cả hai. Trong imbalanced datasets, việc xem xét recall bên cạnh confusion matrix sẽ cung cấp bức tranh rõ ràng hơn nhiều về hiệu năng thay vì chỉ dựa vào accuracy.

Đo lường Recall với Ultralytics YOLO#

Khi training các model tiên tiến như YOLO26, recall được tính toán tự động trong giai đoạn validation. Framework này tính toán recall cho từng class và mean Average Precision (mAP), giúp developer đánh giá model tìm kiếm các object tốt đến mức nào.

Bạn có thể dễ dàng validate một model đã được huấn luyện và xem các chỉ số recall của nó bằng Python. Đoạn mã này minh họa cách tải model và kiểm tra hiệu năng của nó trên một tập dữ liệu tiêu chuẩn:

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}")

Đoạn code này tận dụng Ultralytics API để chạy validation. Nếu recall thấp hơn mức cần thiết cho dự án của bạn, bạn có thể cân nhắc các kỹ thuật như data augmentation để tạo ra nhiều ví dụ training đa dạng hơn hoặc hyperparameter tuning để điều chỉnh độ nhạy của model. Việc sử dụng Ultralytics Platform cũng có thể hợp lý hóa quy trình quản lý dataset và theo dõi các metric này qua nhiều lần training run.

Cải thiện Recall của Model#

Để thúc đẩy recall của model, các data scientist thường điều chỉnh confidence threshold được sử dụng trong quá trình inference. Hạ thấp threshold làm cho model trở nên "lạc quan" hơn, chấp nhận nhiều dự đoán là dương tính hơn, điều này làm tăng recall nhưng có thể làm giảm precision. Ngoài ra, việc thu thập nhiều training data đa dạng hơn giúp model học cách nhận diện hard negatives và các instance mờ nhạt. Đối với các tác vụ phức tạp, việc sử dụng các kiến trúc nâng cao như các khối Transformer hoặc khám phá ensemble methods cũng có thể cải thiện khả năng của hệ thống trong việc phát hiện các đặc trưng tinh tế mà các model đơn giản hơn có thể bỏ sót.