Recall

召回率（Recall，也称为灵敏度或真正例率）是机器学习中的一个基础性能指标，用于衡量模型识别数据集中所有相关实例的能力。在对象检测或分类的语境下，它专门回答这个问题：“在所有实际为正的案例中，模型正确找出了多少？”在漏掉一个正实例（通常称为假负例）会带来重大后果的场景中，实现高召回率至关重要。与在处理不平衡数据时可能会产生误导的准确率不同，召回率专注于评估模型“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，未能检测出对象的代价远高于误报的代价。经过召回率优化的模型能够最大限度地减少假负例，确保系统撒下足够宽的网以捕捉潜在的威胁、异常或关键状况。这通常涉及到权衡，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不相关的项目标记为正例。理解这种平衡是开发健壮的机器学习解决方案的关键。

实际应用#

召回率是许多安全性要求高的AI解决方案背后的驱动指标。以下是两个优先考虑灵敏度的突出典型示例：

• 医学诊断： 在医学图像分析（例如筛查X光片以寻找疾病早期迹象）中，高保障的召回率是不可妥协的。如果一个医疗AI系统被用于检测肿瘤，那么系统将一个最终被证明是良性的可疑阴影标记出来（假正例），也远比完全漏掉一个恶性肿瘤要好。医生依靠这些工具作为安全网，确保没有任何潜在的健康风险被忽略。
• 安全与监控： 对于安全报警系统而言，首要目标是检测每一次入侵尝试。针对高召回率优化的系统可确保如果有人进入受限区域，警报就会触发。虽然这可能会导致野生动物引起偶尔的误报，但这总比系统未能检测到真正的入侵者要好。这些场景中的对象检测模型经过调优，以确保对潜在威胁具有最大灵敏度。

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。召回率衡量的是找到的相关案例数量（完整性），而精确率衡量的是正预测的质量（准确性）。

• 召回率： 专注于避免漏检。“我们找到所有的苹果了吗？”
• 精确率： 专注于减少误报。“我们称为苹果的所有东西真的是苹果吗？”

这两个指标通常呈反比关系，可以通过Precision-Recall curve进行可视化。为了评估它们之间的整体平衡，开发者经常会参考F1-score，它是两者的调和平均数。在不平衡数据集中，结合混淆矩阵来观察召回率，能比单看准确率更清晰地反映性能。

使用 Ultralytics YOLO 测量召回率#

在训练像前沿的YOLO26这样的模型时，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以及平均精度均值 (mAP)，从而帮助开发者评估模型发现对象的表现。

你可以轻松地验证训练好的模型，并使用 Python 查看其召回率指标。此代码片段演示了如何加载模型并在标准数据集上检查其性能：

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来运行验证。如果召回率低于项目要求，你可以考虑使用诸如数据增强之类的方法来创建更多样化的训练样本，或者通过超参数调整来调节模型的灵敏度。使用Ultralytics Platform还可以简化数据集管理以及在多次训练运行中跟踪这些指标的过程。

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在推理期间使用的置信度阈值。降低阈值会使模型更加“乐观”，将更多预测接受为正例，这会提高召回率但可能会降低精确率。此外，收集更多样化的训练数据有助于模型学会识别困难负例和晦涩的实例。对于复杂的任务，采用诸如Transformer块之类的先进架构或探索集成方法也能提升系统检测较简单模型可能忽略的微小特征的能力。