리콜

리콜 계산 방법

리콜은 정탐(TP) 수를 정탐과 오탐(FN)의 합으로 나누어 계산합니다. 정탐은 모델이 긍정으로 정확하게 식별한 사례이고, 오탐은 모델이 부정으로 잘못 분류한 긍정 사례입니다. 리콜 점수가 높다는 것은 모델이 데이터에서 대부분의 긍정적인 인스턴스를 효과적으로 찾아낸다는 것을 의미합니다. 이 메트릭은 특히 객체 감지 및 이미지 분류와 같은 작업에서 모델 성능을 평가하는 데 기본이 됩니다. Ultralytics HUB와 같은 도구 및 플랫폼은 모델 평가 중에 다른 메트릭과 함께 Recall을 표시하는 경우가 많습니다.

리콜 대 관련 지표

리콜을 이해하려면 다른 일반적인 평가 지표와 비교해야 하는 경우가 많습니다:

• 정확도: 정확도: 정확도는 실제 양성 사례를 모두 포착하는 데 중점을 두는 반면, 정밀도는 모델이 예측한 양성 사례의 정확도(TP / (TP + 오탐)를 측정합니다.) 정확도와 회수율 사이에는 종종 상충 관계가 있으며, 어느 한쪽을 개선하면 다른 한쪽이 저하될 수 있습니다. 이를 정확도-회상률 트레이드오프라고 합니다.
• 정확도: 정확도: 정확도는 모든 클래스에 걸쳐 모델의 전반적인 정확도를 측정합니다((TP + 정답률) / 총 예측 수). 그러나 정확도는 특히 한 클래스가 다른 클래스보다 훨씬 많은 불균형 데이터 세트의 경우 오해의 소지가 있을 수 있습니다. 이러한 경우 소수 클래스에 대한 리콜이 더 유용한 지표가 되는 경우가 많습니다.
• F1-점수: F1-점수: F1-점수는 정확도와 회수율의 조화 평균으로, 두 가지 문제의 균형을 맞추는 단일 지표를 제공합니다. 모든 긍정적인 인스턴스를 찾는 것(Recall)과 식별된 인스턴스가 실제로 긍정적인지 확인하는 것(Precision) 사이에서 타협점이 필요할 때 유용합니다. 더 자세한 인사이트는 YOLO 성능 메트릭에 대한 자세한 가이드를 참조하세요.

중요성 및 적용 분야

높은 리콜률은 양성 사례를 놓치는 것이 비용이 많이 들거나 위험한 애플리케이션에서 매우 중요합니다. 오탐을 최소화하는 데 중점을 둡니다.

• 의료 이미지 분석: 스캔에서 암 종양을 검출하는 것과 같은 진단 시스템에서는 리콜을 극대화하는 것이 가장 중요합니다. 질병을 감지하지 못하면(위음성) 환자에게 심각한 건강상의 결과를 초래할 수 있으므로, 추가 검사를 통해 배제할 수 있는 일부 위양성(건강한 조직을 잠재적으로 질병에 걸린 것으로 표시)이 있는 것이 바람직합니다. 의료 분야의 AI는 스크리닝을 위해 재인용도가 높은 모델에 크게 의존하고 있으며, 방사선학과 같은 저널에서 논의되는 발전에 기여하고 있습니다: 인공 지능. 예를 들어, 뇌종양을 감지하려면 높은 민감도가 필요합니다.
• 사기 탐지: 금융 시스템에서는 사기 거래를 식별하는 것이 매우 중요합니다. 높은 리콜 모델은 대부분의 실제 사기 시도를 포착하여 재정적 손실을 최소화합니다. 일부 합법적인 거래는 검토를 위해 플래그가 지정될 수 있지만(오탐), 사기 거래를 놓치는 데 드는 비용(미탐)은 일반적으로 훨씬 더 높습니다. 금융 애플리케이션의 많은 AI는 리콜을 우선시합니다.
• 보안 시스템: 침입자나 위협을 탐지하도록 설계된 감시 시스템의 경우, 높은 리콜률은 잠재적인 위험을 놓치지 않도록 보장합니다. AI 기반 보안 애플리케이션에서 볼 수 있듯이 실제 위협을 놓치면(오탐) 안전성이 저하될 수 있습니다.
• 제조업의 품질 관리: 자동화된 검사 시스템에서는 높은 리콜률을 통해 생산 라인에서 거의 모든 결함 제품을 식별하여 결함이 있는 제품이 소비자에게 전달되는 것을 방지할 수 있습니다. 결함을 놓치면(오탐) 고객 불만과 안전 문제로 이어질 수 있습니다. 제조 분야의 AI에 대해 자세히 알아보세요.

Ultralytics YOLO 모델에서의 리콜

컴퓨터 비전(CV) 및 다음과 같은 모델의 맥락에서 Ultralytics YOLO와 같은 모델에서는 정확도 및 평균 정밀도(mAP) 와 함께 객체 감지 및 인스턴스 세분화와 같은 작업의 성능을 평가하는 데 사용되는 핵심 메트릭입니다. Recall과 Precision 사이의 균형을 잘 맞추는 것은 강력한 실제 성능을 위해 필수적인 경우가 많습니다. 예를 들어, YOLOv8 YOLO11 같은 모델을 비교할 때 Recall은 각 모델이 모든 대상 객체를 얼마나 잘 식별하는지 파악하는 데 도움이 됩니다. 사용자는 다음과 같은 프레임워크를 사용하여 사용자 지정 모델을 훈련할 수 있습니다. PyTorch 또는 TensorFlow 와 같은 프레임워크를 사용해 사용자 지정 모델을 훈련하고 다음과 같은 도구를 사용해 Recall을 추적할 수 있습니다. Weights & Biases 또는 Ultralytics HUB의 통합 기능을 사용해 리콜을 추적할 수 있습니다. Recall을 이해하면 특정 사용 사례에 맞게 모델을 최적화하는 데 도움이 되며, 하이퍼파라미터를 조정하거나 YOLOv10 또는 최신의 YOLO11. Ultralytics 문서와 같은 리소스에서는 교육 및 평가에 대한 포괄적인 가이드를 제공합니다.