Rappel

Le rappel, également appelé sensibilité ou taux de vrais positifs, est un indicateur de performance fondamental dans l'apprentissage automatique qui mesure la capacité d'un modèle à identifier toutes les instances pertinentes dans un ensemble de données. Dans le contexte de la détection ou de la classification d'objets, il répond spécifiquement à la question suivante : « Parmi tous les cas positifs réels, combien le modèle a-t-il correctement trouvés ? » Il est essentiel d'obtenir un rappel élevé dans les scénarios où le fait de manquer une instance positive, souvent appelée faux négatif, a des conséquences importantes. Contrairement à la précision, qui peut être trompeuse lorsqu'il s'agit de données déséquilibrées, le rappel offre une vision ciblée de l'efficacité du modèle à « capturer » la classe cible .

L'importance d'un rappel élevé

Dans de nombreuses applications d'intelligence artificielle, le coût lié à detect objet est bien plus élevé que celui d'une fausse alerte. Un modèle optimisé pour le rappel minimise les faux négatifs, garantissant que le système couvre un champ suffisamment large pour détecter les menaces potentielles, les anomalies ou les conditions critiques. Cela implique souvent un compromis, car l'augmentation du rappel peut parfois entraîner une baisse du score de précision, ce qui signifie que le modèle pourrait signaler davantage d' éléments non pertinents comme positifs. Comprendre cet équilibre est essentiel pour développer des solutions robustes d' apprentissage automatique.

Applications concrètes

Le rappel est l'indicateur clé qui sous-tend de nombreuses solutions d'IA critiques pour la sécurité . Voici deux exemples marquants où la sensibilité prime :

• Diagnostic médical : dans le domaine de l' analyse d'images médicales, comme l'examen des radiographies pour détecter les premiers signes d'une maladie, un taux de rappel élevé est indispensable. Si une IA est utilisée dans le système de santé pour detect des tumeurs, il est préférable que le système signale une ombre suspecte qui s'avère bénigne (un faux positif) plutôt que de passer complètement à côté d'une tumeur maligne. Les médecins s'appuient sur ces outils comme filet de sécurité, afin de s'assurer qu'aucun risque potentiel pour la santé n'est négligé.
• Sécurité et surveillance : pour un système d'alarme de sécurité, l'objectif principal est de detect tentative d'intrusion. Un système optimisé pour un rappel élevé garantit que si une personne pénètre dans une zone réglementée , l'alarme se déclenche. Bien que cela puisse entraîner des fausses alarmes occasionnelles causées par la faune, cela est préférable à un système qui ne detect pas detect intrus réel. Les modèles de détection d'objets dans ces scénarios sont réglés pour garantir une sensibilité maximale aux menaces potentielles.

Rappel vs précision

Il est essentiel de distinguer le rappel de son pendant, la précision. Alors que le rappel mesure la quantité de cas pertinents trouvés (exhaustivité), la précision mesure la qualité des prédictions positives (exactitude).

• Rappel : vise à éviter les détections manquées. « Avons-nous trouvé toutes les pommes ? »
• Précision : vise à minimiser les fausses alertes. « Est-ce que tout ce que nous avons appelé des pommes sont réellement des pommes ? »

Ces deux mesures ont souvent une relation inverse, illustrée par une courbe précision-rappel. Pour évaluer l'équilibre global entre elles, les développeurs se basent souvent sur le score F1, qui est la moyenne harmonique des deux. Dans les ensembles de données déséquilibrés, l'examen du rappel parallèlement à la matrice de confusion donne une image beaucoup plus claire des performances que la précision seule.

Mesurer le rappel avec Ultralytics YOLO

Lors de l'entraînement de modèles tels que le modèle de pointe YOLO26, le rappel est automatiquement calculé pendant la phase de validation. Le framework calcule le rappel pour chaque classe et la précision moyenne (mAP), aidant ainsi les développeurs à évaluer la capacité du modèle à trouver des objets.

Vous pouvez facilement valider un modèle entraîné et afficher ses mesures de rappel à l'aide de Python. Cet extrait de code montre comment charger un modèle et vérifier ses performances sur un ensemble de données standard :

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}")

Ce code utilise Ultralytics pour effectuer la validation. Si le rappel est inférieur à celui requis pour votre projet, vous pouvez envisager des techniques telles que l' augmentation des données pour créer des exemples d'entraînement plus variés ou le réglage des hyperparamètres pour ajuster la sensibilité du modèle. L'utilisation de Ultralytics peut également rationaliser le processus de gestion des ensembles de données et de suivi de ces métriques sur plusieurs cycles d'entraînement.

Amélioration du rappel du modèle

Pour améliorer le rappel d'un modèle, les scientifiques des données ajustent souvent le seuil de confiance utilisé lors de l' inférence. L'abaissement du seuil rend le modèle plus « optimiste », acceptant davantage de prédictions comme positives, ce qui augmente le rappel mais peut diminuer la précision. De plus, la collecte de données d'entraînement plus diversifiées aide le modèle à apprendre à reconnaître les négatifs difficiles et les instances obscures. Pour les tâches complexes, l'utilisation d'architectures avancées telles que les blocs Transformer ou l'exploration de méthodes d'ensemble peut également améliorer la capacité du système à detect des caractéristiques detect que des modèles plus simples pourraient manquer.