リコール

リコールの計算方法

回収率は、真陽性（TP）の数を真陽性と偽陰性（FN）の合計で割って計算する。真陽性（True Positives）は、正しく陽性と識別されたインスタンスであり、偽陰性（False Negatives）は、モデルが誤って陰性と分類した陽性インスタンスである。Recallスコアが高いということは、モデルがデータ中のほとんどのポジティブ・インスタンスを見つけるのに効果的であることを示す。この指標は、特に物体検出や 画像分類のようなタスクにおいて、モデルのパフォーマンスを評価するための基本的なものです。Ultralytics HUBのようなツールやプラットフォームは、モデル評価の際に他のメトリクスと一緒にRecallを表示することがよくあります。

リコールと関連指標関連指標

Recallを理解するには、しばしば他の一般的な評価指標と比較する必要があります：

• 精度：Recallが実際のポジティブ・インスタンスをすべて捕捉することに重点を置くのに対して、Precisionはモデルによってなされたポジティブ予測の正確さ（TP / (TP + False Positives)）を測定する。PrecisionとRecallの間にはしばしばトレードオフがあり、一方を向上させるともう一方が低下することがあります。これはPrecision-Recallトレードオフとして知られている．
• 精度：精度は、すべてのクラスにわたるモデルの全体的な正しさ（（TP + True Negatives）÷ Total Predictions）を測定する。しかし、精度は、特に1つのクラスが他のクラスを大きく上回るような不均衡なデータセットでは、誤解を招く可能性があります。そのような場合、少数クラスの Recall は、より有益な指標であることが多い。
• F1-スコア：F1-ScoreはPrecisionとRecallの調和平均であり、両方の懸念のバランスをとる単一の指標を提供する。すべてのポジティブなインスタンスを見つけること（Recall）と、識別されたインスタンスが本当にポジティブであること（Precision）の間で妥協が必要な場合に役立ちます。YOLO パフォーマンス・メトリクスに関する詳細なガイドで、より多くの洞察を得ることができます。

重要性と応用

高い再現性は、ポジティブなインスタンスを見逃すことがコストや危険となるアプリケーションにおいて重要である。False Negatives（偽陰性）を最小限に抑えることに重点を置く。

• 医療画像解析：スキャン画像から癌腫瘍を検出するような診断システムでは、Recallを最大化することが最も重要です。病気を検出できなかった場合（偽陰性）は、患者にとって深刻な健康被害をもたらす可能性があるため、さらなる検査で除外できる偽陽性（健康な組織に病気の可能性があるとフラグを立てること）があることが望ましい。ヘルスケアにおけるAIは、スクリーニングのための高再認モデルに大きく依存しており、Radiology誌などで議論されている進歩に貢献している：人工知能例えば、脳腫瘍の検出には高い感度が要求される。
• 不正検知：金融システムにおいて、不正取引の特定は極めて重要です。Recallの高いモデルであれば、実際に行われた不正行為のほとんどが検知され、金銭的損失を最小限に抑えることができます。これは、レビューのためにいくつかの正当な取引（偽陽性）にフラグを立てることにつながるかもしれませんが、不正な取引（偽陰性）を見逃すことのコストは通常はるかに高くなります。金融アプリケーションにおける多くのAIはRecallを優先する。
• セキュリティ・システム侵入者や脅威を検知するように設計された監視システムでは、高い再現性により潜在的な危険を見逃しません。AIを活用したセキュリティ・アプリケーションに見られるように、実際の脅威を見逃す（False Negative）と安全性が損なわれる可能性があります。
• 製造業における品質管理：自動化された検査システムでは、高いリコール率によって生産ライン上のほとんどすべての不良品を特定することができ、不良品が消費者に届くのを防ぐことができる。欠陥の見逃し（False Negative）は、顧客の不満や安全性の問題につながる可能性があります。製造業におけるAIの詳細については、こちらをご覧ください。

Ultralytics YOLO モデルのリコール

コンピュータ・ビジョン（CV）の文脈では、以下のようなモデルがある。 Ultralytics YOLORecallは、Precisionや平均平均精度（mAP）と並んで、物体検出や インスタンス分割のようなタスクの性能を評価するために使用される重要な指標です。RecallとPrecisionの良好なバランスを達成することは、多くの場合、ロバストな実世界のパフォーマンスにとって不可欠です。例えば、YOLOv8 YOLO11ようなモデルを比較する場合、Recallは各モデルがどの程度すべてのターゲットオブジェクトを識別するかを理解するのに役立ちます。ユーザーは PyTorchまたは TensorFlowのようなツールを使ってカスタムモデルを訓練し、Recallを追跡することができます。 Weights & BiasesやUltralytics HUBの統合機能を使用してRecallを追跡します。Recallを理解することは、ハイパーパラメータのチューニングや、YOLOv10や最新の YOLO11.Ultralytics ドキュメントのようなリソースは、トレーニングと評価に関する包括的なガイドを提供しています。