Richiamo

Come viene calcolato il richiamo

Il richiamo è calcolato dividendo il numero di Veri Positivi (TP) per la somma dei Veri Positivi e dei Falsi Negativi (FN). I Veri Positivi sono le istanze correttamente identificate come positive, mentre i Falsi Negativi sono le istanze positive che il modello ha erroneamente classificato come negative. Un punteggio elevato di Recall indica che il modello è efficace nel trovare la maggior parte delle istanze positive nei dati. Questa metrica è fondamentale per valutare le prestazioni del modello, soprattutto in attività come il rilevamento di oggetti e la classificazione di immagini. Strumenti e piattaforme come Ultralytics HUB spesso visualizzano Recall insieme ad altre metriche durante la valutazione dei modelli.

Richiamo vs. Metriche correlate Metriche correlate

Per capire il richiamo spesso è necessario confrontarlo con altre metriche di valutazione comuni:

• Precisione: Mentre il Richiamo si concentra sulla cattura di tutte le istanze effettivamente positive, la Precisione misura l'accuratezza delle previsioni positive fatte dal modello (TP / (TP + Falsi Positivi)). Spesso c'è un compromesso tra Precisione e Richiamo: migliorare l'una può far diminuire l'altro. Questo è noto come compromesso tra precisione e richiamo.
• Accuratezza: L'accuratezza misura la correttezza complessiva del modello in tutte le classi ((TP + Veri Negativi) / Previsioni totali). Tuttavia, l'accuratezza può essere fuorviante, soprattutto in caso di set di dati sbilanciati in cui una classe è significativamente superiore alle altre. In questi casi, il richiamo per la classe minoritaria è spesso una metrica più informativa.
• F1-Score: L'F1-Score è la media armonica di Precision e Recall, fornendo un'unica metrica che bilancia entrambi gli aspetti. È utile quando hai bisogno di un compromesso tra la ricerca di tutte le istanze positive (Recall) e la garanzia che le istanze identificate siano effettivamente positive (Precision). Per ulteriori approfondimenti, puoi consultare le guide dettagliate sulle metriche di performanceYOLO .

Importanza e applicazioni

L'elevato richiamo è fondamentale nelle applicazioni in cui la mancanza di istanze positive è costosa o pericolosa. L'obiettivo è ridurre al minimo i falsi negativi.

• Analisi delle immagini mediche: Nei sistemi diagnostici, come l'individuazione di tumori cancerosi dalle scansioni, la massimizzazione del richiamo è fondamentale. Il mancato rilevamento di una malattia (un Falso Negativo) può avere gravi conseguenze per la salute del paziente, per cui è preferibile avere dei Falsi Positivi (che segnalano un tessuto sano come potenzialmente malato) che possono essere esclusi da ulteriori test. L 'Intelligenza Artificiale nel settore sanitario si basa molto su modelli ad alto richiamo per lo screening, contribuendo ai progressi discussi in riviste come Radiology: Artificial Intelligence. Ad esempio, l'individuazione dei tumori cerebrali richiede un'elevata sensibilità.
• Rilevamento delle frodi: Nei sistemi finanziari, identificare le transazioni fraudolente è fondamentale. Un modello ad alto richiamo garantisce che la maggior parte dei tentativi di frode vengano individuati, riducendo al minimo le perdite finanziarie. Anche se questo potrebbe portare a segnalare alcune transazioni legittime da esaminare (Falsi Positivi), il costo della mancata individuazione di una transazione fraudolenta (Falsi Negativi) è in genere molto più alto. Molte applicazioni di intelligenza artificiale in ambito finanziario danno priorità al richiamo.
• Sistemi di sicurezza: Per i sistemi di sorveglianza progettati per rilevare intrusioni o minacce, un elevato richiamo garantisce che i potenziali pericoli non vengano ignorati. La mancata rilevazione di una minaccia reale (Falso Negativo) potrebbe compromettere la sicurezza, come si vede nelle applicazioni di sicurezza basate sull'intelligenza artificiale.
• Controllo qualità nella produzione: Nei sistemi di ispezione automatizzati, il richiamo elevato aiuta a identificare quasi tutti i prodotti difettosi di una linea di produzione, evitando che gli articoli difettosi raggiungano i consumatori. La mancanza di un difetto (Falso Negativo) può portare all'insoddisfazione dei clienti e a problemi di sicurezza. Scopri di più sull'IA nel settore manifatturiero.

Richiamo nei modelliYOLO Ultralytics

Nel contesto della computer vision (CV) e di modelli come Ultralytics YOLOil richiamo è una metrica chiave utilizzata insieme alla precisione e alla precisione media (mAP) per valutare le prestazioni in compiti come il rilevamento di oggetti e la segmentazione di istanze. Il raggiungimento di un buon equilibrio tra Recall e Precision è spesso essenziale per ottenere prestazioni solide nel mondo reale. Ad esempio, quando si confrontano modelli come YOLOv8 e YOLO11, il Recall aiuta a capire quanto bene ciascun modello identifica tutti gli oggetti target. Gli utenti possono addestrare modelli personalizzati utilizzando framework come PyTorch o TensorFlow e monitorare il Recall utilizzando strumenti come Weights & Biases o le funzionalità integrate in Ultralytics HUB. La comprensione del richiamo aiuta a ottimizzare i modelli per casi d'uso specifici, potenzialmente coinvolgendo la regolazione degli iperparametri o l'esplorazione di diverse architetture di modelli come YOLOv10 o l'ultimo YOLO11. YOLO11. Risorse come la documentazione di Ultralytics offrono guide complete sulla formazione e la valutazione.