استرجاع

أهمية التذكر العالي

في العديد من سيناريوهات العالم الحقيقي، تكون تكلفة السلبية الكاذبة (فقدان الكشف) أعلى بكثير من تكلفة الإيجابية الكاذبة (إنذار كاذب). هذا هو المكان الذي يصبح فيه إعطاء الأولوية للاستدعاء العالي أمرًا ضروريًا. على سبيل المثال، في مهام مثل تحليل الصور الطبية أو الكشف عن الاحتيال، يضمن نموذج الاستدعاء العالي التقاط أكبر عدد ممكن من الحالات الصحيحة لمزيد من المراجعة، حتى لو كان ذلك يعني أن بعض الحالات غير الصحيحة يتم الإبلاغ عنها بشكل غير صحيح.

• التشخيص الطبي: في نظام مدعوم بالذكاء الاصطناعي للكشف عن السرطان من الفحوصات الطبية، يعد نموذج إعادة الاستدعاء العالي أمرًا بالغ الأهمية. فمن الأفضل بكثير أن يقوم النظام بالإبلاغ عن مريض سليم لمراجعته من قبل أخصائي الأشعة (إيجابية كاذبة) بدلاً من تفويت ورم سرطاني (سلبية كاذبة)، مما قد يؤخر العلاج المنقذ للحياة. تم تحسين العديد من حلول الذكاء الاصطناعي في مجال الرعاية الصحية لتحقيق حساسية عالية.
• الأمن والمراقبة: بالنسبة لنظام إنذار أمني مصمم للكشف عن المتسللين، فإن التذكر العالي أمر بالغ الأهمية. يجب أن يتعرف النظام على كل تهديد محتمل، حتى لو أخطأ في بعض الأحيان في اعتبار حيوان شارد متسلل. إن تفويت أي خرق أمني حقيقي سيجعل النظام غير فعال.

الاسترجاع في نماذج YOLO YOLO في Ultralytics

في سياق الرؤية الحاسوبية (CV) ونماذج مثل Ultralytics YOLO، يُعد Recall مقياسًا رئيسيًا يُستخدم إلى جانب الدقة ومتوسط الدقة (mAP ) لتقييم الأداء في مهام مثل اكتشاف الكائنات وتجزئة النماذج. غالبًا ما يكون تحقيق توازن جيد بين التذكر والدقة أمرًا ضروريًا لتحقيق أداء قوي في العالم الحقيقي. على سبيل المثال، عند مقارنة نماذج مثل YOLOv8 مقابل YOLO11، يساعد Recall في فهم مدى جودة كل نموذج في تحديد جميع الكائنات المستهدفة. يمكن للمستخدمين تدريب النماذج المخصصة باستخدام أطر عمل مثل PyTorch أو TensorFlow وتتبع Recall باستخدام أدوات مثل الأوزان والتحيزات أو الميزات المدمجة في Ultralytics HUB. ويساعد فهم Recall على تحسين النماذج لحالات استخدام محددة، مما قد يتضمن ضبط المعلمة الفائقة أو استكشاف بنيات نماذج مختلفة مثل YOLOv10 أو أحدث YOLO11. تقدم موارد مثل وثائق Ultralytics أدلة شاملة حول التدريب والتقييم.

الاستدعاء مقابل المقاييس الأخرى

من المهم التفريق بين الاستدعاء ومقاييس التقييم الشائعة الأخرى.

• الدقة: بينما يركز Recall على إيجاد جميع العينات الإيجابية، تقيس الدقة دقة التنبؤات الإيجابية التي تم إجراؤها. إنها تجيب عن: "من بين جميع الحالات التي تنبأ النموذج بأنها إيجابية، كم عدد الحالات التي كانت إيجابية بالفعل؟ غالبًا ما تكون هناك مفاضلة بين الدقة والاستدعاء؛ فزيادة أحدهما قد تقلل من الآخر. يُعرف هذا المفهوم بالمقايضة بين الدقة والاستدعاء.
• الدقة: يقيس النسبة المئوية الإجمالية للتنبؤات الصحيحة (الإيجابية والسلبية على حد سواء). يمكن أن تكون الدقة مقياسًا مضللاً لمجموعات البيانات غير المتوازنة، حيث تفوق إحدى الفئتين عدد الفئات الأخرى بشكل كبير. على سبيل المثال، في مجموعة بيانات تحتوي على 99% من العينات السلبية، فإن النموذج الذي يتنبأ بكل شيء على أنه سلبي يحقق دقة بنسبة 99% ولكن نسبة التذكر للفئة الإيجابية تكون صفرًا.
• النتيجة F1-نتيجة: هذا هو المتوسط التوافقي للدقة والاسترجاع. يوفر F1-Score رقمًا واحدًا يوازن بين المقياسين معًا، مما يجعله مقياسًا مفيدًا عندما تحتاج إلى النظر في كل من الإيجابيات الخاطئة والسلبيات الخاطئة. يتم استخدامه غالبًا عندما يكون هناك توزيع غير متساوٍ للفئات.
• المساحة تحت المنحنى (AUC): بالنسبة للتصنيف الثنائي على وجه التحديد، يرسم منحنى خاصية الاستقبال والتشغيل (ROC ) المعدل الإيجابي الحقيقي (Recall) مقابل المعدل الإيجابي الخاطئ. يوفر AUC درجة واحدة تلخص أداء النموذج عبر جميع عتبات التصنيف. غالبًا ما تكون المنطقة الواقعة أسفل منحنى الدقة-التذكر (AUC-PR) أكثر إفادة لمهام التصنيف غير المتوازنة.