الاسترجاع

الاسترجاع، المعروف أيضًا باسم الحساسية أو معدل الإيجابية الحقيقية، هو مقياس أداء أساسي في التعلم الآلي يقيس قدرة النموذج على تحديد جميع الحالات ذات الصلة داخل مجموعة البيانات. في سياق الكشف عن الكائنات أو تصنيفها، فإنه يجيب بشكل خاص على السؤال التالي: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات التي عثر عليها النموذج بشكل صحيح ؟" يعد تحقيق استرجاع عالٍ أمرًا بالغ الأهمية في السيناريوهات التي يؤدي فيها فقدان حالة إيجابية — غالبًا ما يشار إليها باسم سلبية كاذبة — إلى عواقب وخيمة. على عكس الدقة، التي يمكن أن تكون مضللة عند التعامل مع بيانات غير متوازنة، يوفر الاسترجاع رؤية مركزة على فعالية النموذج في "التقاط" الفئة المستهدفة .

أهمية الاسترجاع العالي

في العديد من تطبيقات الذكاء الاصطناعي ، تكون تكلفة عدم detect أعلى بكثير من تكلفة الإنذار الكاذب. يعمل النموذج المُحسّن للاسترجاع على تقليل النتائج السلبية الخاطئة، مما يضمن أن النظام يغطي نطاقًا واسعًا بما يكفي لالتقاط التهديدات المحتملة أو الحالات الشاذة أو الظروف الحرجة. غالبًا ما ينطوي ذلك على مقايضة، حيث أن زيادة الاسترجاع قد تؤدي في بعض الأحيان إلى انخفاض درجة الدقة، مما يعني أن النموذج قد يضع علامة على المزيد من العناصر غير ذات الصلة على أنها إيجابية. فهم هذا التوازن هو المفتاح لتطوير حلول قوية للتعلم الآلي.

تطبيقات واقعية

التذكر هو المقياس الدافع وراء العديد من حلول الذكاء الاصطناعي الحيوية للسلامة . فيما يلي مثالان بارزان حيث الحساسية لها الأسبقية:

• التشخيص الطبي: في تحليل الصور الطبية، مثل فحص الأشعة السينية للكشف عن العلامات المبكرة للمرض، لا يمكن التنازل عن دقة الاسترجاع العالية. إذا تم استخدام الذكاء الاصطناعي في نظام الرعاية الصحية detect عن الأورام، فمن الأفضل بكثير أن يقوم النظام بتمييز ظل مشبوه يتبين أنه حميد (إيجابي كاذب) بدلاً من تفويت ورم خبيث تمامًا. يعتمد الأطباء على هذه الأدوات كشبكة أمان، لضمان عدم إغفال أي مخاطر صحية محتملة .
• الأمن والمراقبة: بالنسبة لنظام الإنذار الأمني، فإن الهدف الأساسي هو detect محاولة اقتحام. يضمن النظام المُحسّن للحصول على أعلى مستوى من الاسترجاع أن ينطلق الإنذار إذا دخل شخص ما إلى منطقة محظورة . على الرغم من أن هذا قد يؤدي إلى إنذارات كاذبة من حين لآخر بسبب الحيوانات البرية، إلا أن هذا أفضل من فشل النظام في detect حقيقي. يتم ضبط نماذج الكشف عن الأجسام في هذه السيناريوهات لضمان أقصى حساسية تجاه التهديدات المحتملة.

التذكر مقابل الدقة

من الضروري التمييز بين الاسترجاع ونظيره الدقة. بينما يقيس الاسترجاع كمية الحالات ذات الصلة الموجودة (الاكتمال)، تقيس الدقة جودة التنبؤات الإيجابية (الدقة).

• التذكر: يركز على تجنب حالات عدم الكشف. "هل وجدنا جميع التفاحات؟"
• الدقة: تركز على تقليل الإنذارات الكاذبة. "هل كل الأشياء التي أطلقنا عليها اسم تفاح هي بالفعل تفاح؟"

غالبًا ما يكون هناك علاقة عكسية بين هذين المقياسين، والتي يمكن تصورها من خلال منحنى الدقة والاسترجاع. لتقييم التوازن العام بينهما، غالبًا ما ينظر المطورون إلى درجة F1، وهي المتوسط التوافقي لكليهما. في مجموعات البيانات غير المتوازنة، فإن النظر إلى الاسترجاع جنبًا إلى جنب مع مصفوفة الارتباك يعطي صورة أوضح بكثير عن الأداء مقارنة بالدقة وحدها.

قياس الاستدعاء باستخدامYOLO Ultralytics YOLO

عند تدريب نماذج مثل YOLO26 المتطورة، يتم حساب الاسترجاع تلقائيًا خلال مرحلة التحقق. يحسب إطار العمل الاسترجاع لكل فئة و متوسط الدقة (mAP)، مما يساعد المطورين على قياس مدى كفاءة النموذج في العثور على الكائنات.

يمكنك بسهولة التحقق من صحة نموذج مدرب وعرض مقاييس استرجاعه باستخدام Python. يوضح هذا المقتطف كيفية تحميل نموذج والتحقق من أدائه على مجموعة بيانات قياسية:

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}")

يستخدم هذا الرمز Ultralytics لتشغيل التحقق من الصحة. إذا كان الاسترجاع أقل من المطلوب لمشروعك، يمكنك التفكير في تقنيات مثل زيادة البيانات لإنشاء أمثلة تدريب أكثر تنوعًا أو ضبط المعلمات الفائقة لتعديل حساسية النموذج. يمكن أن يؤدي استخدام Ultralytics أيضًا إلى تبسيط عملية إدارة مجموعات البيانات وتتبع هذه المقاييس عبر عدة عمليات تدريب.

تحسين استرجاع النموذج

لتعزيز استرجاع النموذج، غالبًا ما يقوم علماء البيانات بتعديل عتبة الثقة المستخدمة أثناء الاستدلال. يؤدي خفض الحد إلى جعل النموذج أكثر "تفاؤلاً"، بحيث يقبل المزيد من التنبؤات على أنها إيجابية، مما يزيد من الاسترجاع ولكن قد يقلل من الدقة. بالإضافة إلى ذلك، يساعد جمع بيانات تدريب أكثر تنوعًا النموذج على تعلم كيفية التعرف على السلبيات الصعبة والحالات الغامضة. بالنسبة للمهام المعقدة، يمكن أن يؤدي استخدام بنى متقدمة مثل كتل Transformer أو استكشاف طرق المجموعة إلى تحسين قدرة النظام على detect الميزات detect التي قد تفوت النماذج الأبسط.