Recall

召回率，也称为敏感度或真阳性率，是机器学习中的一项基础性能指标，用于衡量模型识别数据集中所有相关实例的能力。在目标检测或分类场景中，它具体回答了这样一个问题：“在所有实际的阳性案例中，模型正确找出了多少个？”在漏掉阳性实例（通常称为假阴性）会造成严重后果的场景中，实现高召回率至关重要。与处理不平衡数据时可能产生误导的准确率不同，召回率能够更聚焦地反映模型“捕获”目标类别的有效性。

高召回率的重要性#

在许多人工智能应用中，未能检测到对象的代价远高于误报的代价。针对召回率进行优化的模型会最大限度地减少假阴性，确保系统能够撒下足够大的网，捕获潜在威胁、异常或关键状况。这通常需要进行权衡，因为提高召回率有时会导致精确率得分降低，这意味着模型可能会将更多无关项标记为阳性。理解这种平衡是开发稳健机器学习解决方案的关键。

实际应用#

召回率是许多安全关键型AI 解决方案背后的驱动指标。以下是两个以敏感度为优先的典型示例：

• 医疗诊断： 在医学图像分析中，例如筛查 X 光片以发现疾病的早期迹象时，高召回率是不可妥协的。如果使用医疗领域的 AI系统来检测肿瘤，那么让系统标记出一个最终证实为良性的可疑阴影（假阳性），也远好过完全漏掉恶性肿瘤。医生依靠这些工具充当安全网，确保不会忽视任何潜在的健康风险。
• 安防与监控： 对于安全报警系统，首要目标是检测每一次入侵尝试。针对高召回率进行优化的系统可以确保在有人进入禁区时触发警报。虽然这可能会导致因野生动物引起的偶发误报，但总好过系统未能检测到真正的入侵者。在这些场景中，目标检测模型经过调优，以确保对潜在威胁具有最大的敏感度。

召回率与精确率#

区分召回率与其对应指标精确率至关重要。召回率衡量找到的相关案例数量（完整性），而精确率衡量阳性预测的质量（准确性）。

• 召回率： 重点在于避免漏检。“我们找到所有苹果了吗？”
• 精确率： 重点在于最大限度地减少误报。“我们称为苹果的东西实际上都是苹果吗？”

这两个指标通常呈反向关系，可通过精确率-召回率曲线进行可视化。为了评估二者的整体平衡，开发者通常会查看F1 分数，它是二者的调和平均值。在不平衡数据集中，将召回率与混淆矩阵结合起来查看，相比单独使用准确率，能够更清晰地反映性能。

使用 Ultralytics YOLO 衡量召回率#

训练前沿的 YOLO26 等模型时，召回率会在验证阶段自动计算。该框架会计算每个类别的召回率和平均精度均值 (mAP)，帮助开发者评估模型查找对象的能力。

你可以使用 Python 轻松验证训练好的模型并查看其召回率指标。以下代码片段演示了如何加载模型并检查其在标准数据集上的性能：

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}")

此代码利用 Ultralytics API 运行验证。如果召回率低于项目要求，你可以考虑使用数据增强来创建更多样化的训练样本，或使用超参数调优来调整模型的敏感度。使用 Ultralytics Platform 还可以简化数据集管理流程，并跟踪多次训练运行中的这些指标。

提高模型召回率#

为了提高模型的召回率，数据科学家通常会调整置信度阈值，该阈值用于推理阶段。降低阈值会让模型变得更加“乐观”，接受更多预测为阳性，从而提高召回率，但可能降低精确率。此外，收集更多样化的训练数据有助于模型学习识别难负样本和模糊实例。对于复杂任务，采用Transformer模块等高级架构，或探索集成方法，也可以提升系统检测细微特征的能力，而这些特征可能会被更简单的模型遗漏。