Retirada

Cómo se calcula la recuperación

La recuperación se calcula dividiendo el número de Verdaderos Positivos (TP) por la suma de Verdaderos Positivos y Falsos Negativos (FN). Los Verdaderos Positivos son las instancias identificadas correctamente como positivas, mientras que los Falsos Negativos son las instancias positivas que el modelo clasificó incorrectamente como negativas. Una puntuación de Recall alta indica que el modelo es eficaz a la hora de encontrar la mayoría de las instancias positivas de los datos. Esta métrica es fundamental para evaluar el rendimiento del modelo, especialmente en tareas como la detección de objetos y la clasificación de imágenes. Herramientas y plataformas como Ultralytics HUB suelen mostrar Recall junto a otras métricas durante la evaluación de modelos.

Recall Vs. Métricas relacionadas

Comprender el Recall a menudo implica compararlo con otras métricas de evaluación habituales:

• Precisión: Mientras que Recall se centra en capturar todos los casos positivos reales, Precision mide la exactitud de las predicciones positivas realizadas por el modelo (TP / (TP + Falsos Positivos)). A menudo existe un equilibrio entre la Precisión y la Recuperación; mejorar una puede reducir la otra. Esto se conoce como el compromiso Precisión-Recuperación.
• Precisión: La exactitud mide la corrección global del modelo en todas las clases ((TP + Verdaderos Negativos) / Predicciones Totales). Sin embargo, la precisión puede ser engañosa, especialmente con conjuntos de datos desequilibrados en los que una clase supera significativamente a las demás. En tales casos, el Recall de la clase minoritaria suele ser una métrica más informativa.
• Puntuación F1: La Puntuación F1 es la media armónica de la Precisión y la Recuperación, proporcionando una única métrica que equilibra ambas preocupaciones. Es útil cuando necesitas un compromiso entre encontrar todas las instancias positivas (Recall) y asegurarte de que las instancias identificadas son realmente positivas (Precision). Puedes explorar guías detalladas sobre las métricas de rendimientoYOLO para obtener más información.

Importancia y aplicaciones

Una alta recuperación es fundamental en aplicaciones en las que omitir casos positivos es costoso o peligroso. El objetivo es minimizar los Falsos Negativos.

• Análisis de imágenes médicas: En los sistemas de diagnóstico, como la detección de tumores cancerosos a partir de escáneres, es primordial maximizar la Recuperación. No detectar una enfermedad (un Falso Negativo) puede tener graves consecuencias para la salud del paciente, por lo que es preferible tener algunos Falsos Positivos (marcar tejido sano como potencialmente enfermo) que puedan descartarse mediante más pruebas. La IA en la atención sanitaria se basa en gran medida en modelos de alta recuperación para la detección, lo que ha contribuido a los avances que se comentan en revistas como Radiology: Inteligencia Artificial. Por ejemplo, la detección de tumores cerebrales requiere una alta sensibilidad.
• Detección de fraudes: En los sistemas financieros, identificar las transacciones fraudulentas es crucial. Un modelo de alta Recuperación garantiza que se detecten la mayoría de los intentos de fraude reales, minimizando las pérdidas financieras. Aunque esto puede llevar a marcar algunas transacciones legítimas para su revisión (Falsos Positivos), el coste de pasar por alto una transacción fraudulenta (Falso Negativo) suele ser mucho mayor. Muchas aplicaciones de IA en finanzas dan prioridad a la Recuperación.
• Sistemas de seguridad: Para los sistemas de vigilancia diseñados para detectar intrusos o amenazas, una alta Recuperación garantiza que no se pasen por alto peligros potenciales. Pasar por alto una amenaza real (Falso Negativo) podría comprometer la seguridad, como se observa en las aplicaciones de seguridad basadas en IA.
• Control de calidad en la fabricación: En los sistemas de inspección automatizados, una alta Recuperación ayuda a identificar casi todos los productos defectuosos de una línea de producción, evitando que los artículos defectuosos lleguen a los consumidores. Pasar por alto un defecto (Falso Negativo) puede provocar la insatisfacción del cliente y problemas de seguridad. Más información sobre la IA en la fabricación.

El recuerdo en los modelosYOLO Ultralytics

En el contexto de la visión por ordenador (VC ) y de modelos como Ultralytics YOLOel Recall es una métrica clave que se utiliza junto con la Precisión y la Precisión Media (mAP) para evaluar el rendimiento en tareas como la detección de objetos y la segmentación de instancias. Conseguir un buen equilibrio entre Recall y Precision suele ser esencial para un rendimiento sólido en el mundo real. Por ejemplo, al comparar modelos como YOLOv8 frente a YOLO11, Recall ayuda a comprender lo bien que cada modelo identifica todos los objetos objetivo. Los usuarios pueden entrenar modelos personalizados utilizando marcos como PyTorch o TensorFlow y hacer un seguimiento de Recall con herramientas como Weights & Biases o las funciones integradas en Ultralytics HUB. Comprender la recuperación ayuda a optimizar los modelos para casos de uso específicos, lo que puede implicar el ajuste de hiperparámetros o la exploración de diferentes arquitecturas de modelos, como YOLOv10 o la más reciente YOLO11. Recursos como la documentación de Ultralytics ofrecen guías completas sobre formación y evaluación.