召回率

召回率，也称为灵敏度或真阳性率，是 机器学习 (ML) 和统计学中的一个基本评估指标。它衡量的是模型正确识别数据集中所有相关实例的能力。简单来说，召回率回答了这个问题：“在所有实际阳性实例中，模型正确预测为阳性的有多少？” 高召回率表明该模型能够有效地找到它应该找到的东西，从而最大限度地减少漏报阳性病例（假阴性）的数量。在未能检测到阳性病例会产生重大后果的应用中，此指标尤为重要。

高召回率的重要性

在许多现实场景中，漏检（错过检测）的成本远高于误报（虚假警报）的成本。因此，优先考虑高召回率至关重要。例如，在医学图像分析或欺诈检测等任务中，高召回率模型可确保尽可能多地捕获真实案例以供进一步审查，即使这意味着某些非案例被错误地标记。

• 医疗诊断： 在用于从医学扫描中检测癌症的AI驱动系统中，高召回率模型至关重要。系统标记一个健康的患者以供放射科医生审查（假阳性）远胜于遗漏一个癌性肿瘤（假阴性），这可能会延误挽救生命的治疗。医疗保健领域中的许多AI解决方案都针对高灵敏度进行了优化。
• 安全与监控： 对于旨在检测入侵者的安全警报系统，高召回率至关重要。系统必须识别每一个潜在威胁，即使偶尔会将流浪动物误认为入侵者。错过真正的安全漏洞会使系统失效。

Ultralytics YOLO 模型中的召回率

在计算机视觉 (CV)和像Ultralytics YOLO这样的模型中，召回率是一个关键指标，与精确率和平均精度均值 (mAP)一起用于评估目标检测和实例分割等任务的性能。在召回率和精确率之间取得良好的平衡通常对于强大的实际性能至关重要。例如，在比较YOLOv8与YOLO11等模型时，召回率有助于了解每个模型识别所有目标对象的程度。用户可以使用PyTorch或TensorFlow等框架训练自定义模型，并使用Weights & Biases或Ultralytics HUB中的集成功能跟踪召回率。了解召回率有助于优化特定用例的模型，可能涉及超参数调整或探索不同的模型架构，如YOLOv10或最新的YOLO11。Ultralytics文档等资源提供了关于训练和评估的全面指南。

召回率与其他指标的比较

区分召回率与其他常见的评估指标非常重要。

• 精确率: 召回率侧重于查找所有阳性样本，而精确率衡量所做阳性预测的准确性。它回答：“在模型预测为阳性的所有实例中，有多少实际上是阳性？”精确率和召回率之间通常存在权衡；提高一个可能会降低另一个。这个概念被称为 精确率-召回率权衡。
• 准确率：衡量正确预测（包括正例和负例）的总体百分比。准确率可能是一个具有误导性的指标，尤其是在不平衡数据集中，其中一个类别远超另一个类别。例如，在一个包含 99% 负样本的数据集中，一个将所有内容都预测为负例的模型可以达到 99% 的准确率，但对于正例的召回率为零。
• F1-Score: 这是精确率和召回率的调和平均值。F1-Score 提供了一个平衡这两个指标的单一数字，使其在您需要同时考虑假阳性和假阴性时成为一个有用的度量。它通常在类别分布不均匀时使用。
• 曲线下面积 (AUC)：专门针对二元分类，接受者操作特征 (ROC) 曲线绘制了真正率（召回率）与假正率。AUC 提供了一个单一的分数，总结了模型在所有分类阈值上的性能。精确率-召回率曲线下的面积 (AUC-PR) 通常对于不平衡分类任务更有参考价值。