Descubre la importancia de la recuperación en el aprendizaje automático, sus aplicaciones y cómo los modelos Ultralytics YOLO consiguen una alta recuperación de la precisión.
La recuperación es una métrica de rendimiento clave en el aprendizaje automático que mide la capacidad de un modelo para identificar todos los casos relevantes de un conjunto de datos. Es especialmente importante en situaciones en las que omitir una instancia positiva es más perjudicial que clasificar erróneamente una instancia negativa. Por ejemplo, en el diagnóstico médico, no detectar una enfermedad (recall bajo) puede tener graves consecuencias, por lo que un recall alto es crucial. La recuperación también se conoce como sensibilidad o tasa de verdaderos positivos.
La recuperación es esencial para evaluar la eficacia de un modelo, especialmente en conjuntos de datos desequilibrados en los que una clase supera significativamente a las demás. Una puntuación de recuperación alta indica que el modelo identifica correctamente la mayoría de los casos positivos. En tareas de visión por ordenador, como la detección de objetos, la recuperación ayuda a determinar lo bien que un modelo puede encontrar todas las instancias de un objeto concreto en una imagen o vídeo. Ultralytics YOLO Los modelos (Sólo se mira una vez), por ejemplo, se diseñan para conseguir una alta recuperación que garantice una detección precisa en aplicaciones del mundo real. Más información sobre los modelos Ultralytics YOLO en el sitio webUltralytics .
La recuperación se calcula como el número de verdaderos positivos dividido por la suma de verdaderos positivos y falsos negativos. Los verdaderos positivos son instancias correctamente identificadas como positivas, mientras que los falsos negativos son instancias positivas que el modelo clasifica incorrectamente como negativas. Un valor de recall más alto sugiere que el modelo está capturando una gran proporción de instancias positivas, lo que es deseable en muchas aplicaciones.
Mientras que el recuerdo mide la capacidad de encontrar todos los casos positivos, la precisión mide la exactitud de las predicciones positivas. La precisión se calcula como el número de verdaderos positivos dividido por la suma de verdaderos positivos y falsos positivos. Una precisión alta significa que las predicciones positivas del modelo son correctas en su mayoría, mientras que una recuperación alta significa que el modelo capta la mayoría de los casos positivos reales. Ambas métricas son importantes, y el equilibrio entre ellas depende de la aplicación específica. La puntuación F1 es otra métrica que combina la precisión y la recuperación en un único valor, proporcionando una media armónica de las dos. Más información sobre la puntuación F1 en la página del glosarioUltralytics .
En el diagnóstico médico, el recuerdo es fundamental para garantizar la detección precoz y precisa de las enfermedades. Por ejemplo, en el cribado del cáncer, una alta capacidad de recuperación significa que se identifican la mayoría de los casos cancerosos, lo que reduce el riesgo de omitir un diagnóstico. Los modelos de IA, incluidos los desarrollados por Ultralytics, se utilizan cada vez más en la asistencia sanitaria para aumentar la precisión de los diagnósticos y mejorar los resultados de los pacientes. Más información sobre la IA en la sanidad en la página de soluciones Ultralytics .
En los sistemas de seguridad, la recuperación es vital para detectar posibles amenazas. Por ejemplo, en los sistemas de vigilancia, una alta capacidad de recuperación garantiza que se detecten la mayoría de las brechas de seguridad, aunque ello suponga más falsas alarmas. Ultralytics Los modelosYOLO se utilizan en aplicaciones de seguridad avanzadas para proporcionar una detección y un seguimiento fiables de los objetos, mejorando las medidas de seguridad en general. Infórmate sobre el uso de la IA en seguridad en el blogUltralytics .
Se pueden emplear varias técnicas para mejorar la recuperación en los modelos de aprendizaje automático. Entre ellas se incluyen el uso de datos de entrenamiento más representativos, la aplicación del aumento de datos para aumentar la diversidad del conjunto de datos y el ajuste de los hiperparámetros del modelo. Además, el empleo de arquitecturas de modelos avanzadas, como las de Ultralytics YOLO , puede aumentar la recuperación al mejorar la capacidad del modelo para detectar instancias relevantes. Más información sobre el aumento de datos en la página del glosarioUltralytics .
Ultralytics proporciona un conjunto de herramientas y recursos para ayudar a mejorar la recuperación en los modelos de aprendizaje automático. El HUB Ultralytics ofrece una plataforma para entrenar, validar y desplegar modelos con facilidad. Además, la documentación deUltralytics proporciona guías y tutoriales completos sobre diversos aspectos del desarrollo y la optimización de modelos. Para obtener información específica sobre métricas de rendimiento como la recuperación, visita la guía de métricas de rendimientoYOLO .
Para obtener más información sobre las métricas del aprendizaje automático y sus aplicaciones, puedes explorar recursos como la documentación de scikit-learn y artículos académicos sobre la evaluación del rendimiento en el aprendizaje automático.
.png)