Geri Çağırma (Recall)

Hassasiyet veya gerçek pozitif oran olarak da bilinen geri çağırma, makine öğreniminde bir modelin veri kümesindeki tüm ilgili örnekleri tanımlama yeteneğini ölçen temel bir performans ölçütüdür. Nesne algılama veya sınıflandırma bağlamında, özellikle şu soruyu yanıtlar: "Tüm gerçek pozitif vakalardan kaç tanesini model doğru bir şekilde buldu?" Yüksek hatırlama oranına ulaşmak, pozitif bir örneği kaçırmanın (genellikle yanlış negatif olarak adlandırılır) önemli sonuçlar doğurduğu senaryolarda çok önemlidir. Dengesiz verilerle çalışırken yanıltıcı olabilen doğruluktan farklı olarak, hatırlama, modelin hedef sınıfı "yakalama" etkinliğine odaklanmış bir bakış açısı sağlar.

Yüksek Geri Çağırmanın Önemi

Birçok yapay zeka uygulamasında, detect nesneyi detect başarısızlığın maliyeti, yanlış alarmın maliyetinden çok daha yüksektir. Geri çağırma için optimize edilmiş bir model yanlış negatifleri en aza indirir ve sistemin potansiyel tehditleri, anomalileri veya kritik koşulları yakalamak için yeterince geniş bir ağ oluşturmasını sağlar. Bu genellikle bir ödün vermeyi gerektirir, çünkü geri çağırmanın artırılması bazen daha düşük bir hassasiyet puanına yol açabilir, yani model daha fazla ilgisiz öğeyi pozitif olarak işaretleyebilir. Bu dengeyi anlamak, sağlam makine öğrenimi çözümleri geliştirmek için çok önemlidir.

Gerçek Dünya Uygulamaları

Hatırlama, birçok güvenlik açısından kritik AI çözümünün arkasındaki itici metriktir. İşte duyarlılığın öncelikli olduğu iki önemli örnek:

• Tıbbi Teşhis: Hastalığın erken belirtilerini detect için X-ışınları taraması gibi tıbbi görüntü analizlerinde, yüksek geri çağırma oranı tartışılmaz bir gerekliliktir. Sağlık sisteminde bir AI, tümörleri detect için kullanılıyorsa, sistemin, kötü huylu bir tümörü tamamen gözden kaçırmaktansa, iyi huylu olduğu ortaya çıkan şüpheli bir gölgeyi (yanlış pozitif) işaretlemesi çok daha iyidir. Doktorlar, potansiyel sağlık risklerinin gözden kaçmamasını sağlamak için bu araçları bir güvenlik ağı olarak kullanır.
• Güvenlik ve Gözetim: Bir güvenlik alarm sisteminin temel amacı, detect izinsiz giriş girişimini detect etmektir. Yüksek hatırlama oranı için optimize edilmiş bir sistem, bir kişinin yasak bölgeye girmesi durumunda alarmın tetiklenmesini sağlar. Bu durum, vahşi hayvanlar nedeniyle ara sıra yanlış alarmlara yol açabilir, ancak bu, sistemin gerçek detect izinsiz detect edememesinden daha iyidir. Bu senaryolardaki nesne algılama modelleri, potansiyel tehditlere karşı maksimum hassasiyet sağlayacak şekilde ayarlanmıştır.

Hatırlama ve Kesinlik

Geri çağırma ile karşıt kavramı olan kesinlik arasında ayrım yapmak önemlidir. Geri çağırma, bulunan ilgili vakaların miktarını (eksiksizlik) ölçerken, kesinlik olumlu tahminlerin kalitesini (doğruluk) ölçer.

• Hatırlama: Algılamayı kaçırmamaya odaklanır. "Tüm elmaları bulduk mu?"
• Hassasiyet: Yanlış alarmları en aza indirmeye odaklanır. "Elma dediğimiz her şey gerçekten elma mı?"

Bu iki metrik genellikle ters bir ilişki içerisindedir ve bu ilişki Hassasiyet-Geri Çağırma eğrisi ile görselleştirilir. Aralarındaki genel dengeyi değerlendirmek için, geliştiriciler genellikle her ikisinin harmonik ortalaması olan F1 skoruna bakar. Dengesiz veri kümelerinde, geri çağırma ile karışıklık matrisini birlikte incelemek, doğruluktan çok daha net bir performans tablosu sunar.

Ultralytics YOLO ile Hatırlama Ölçümü

YOLO26 gibi son teknoloji modellerin eğitimi sırasında, geri çağırma doğrulama aşamasında otomatik olarak hesaplanır. Çerçeve, her sınıf için geri çağırmayı ve ortalama ortalama hassasiyeti (mAP) hesaplayarak, geliştiricilerin modelin nesneleri ne kadar iyi bulduğunu ölçmelerine yardımcı olur.

Python kullanarak eğitilmiş bir modeli kolayca doğrulayabilir ve geri çağırma metriklerini görüntüleyebilirsiniz. Bu kod parçacığı, bir modeli yüklemeyi ve standart bir veri kümesinde performansını kontrol etmeyi gösterir:

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}")

Bu kod, doğrulamayı çalıştırmak için Ultralytics kullanır. Geri çağırma, projeniz için gerekli olandan daha düşükse, daha çeşitli eğitim örnekleri oluşturmak için veri artırma veya modelin hassasiyetini ayarlamak için hiperparametre ayarlama gibi teknikleri düşünebilirsiniz. Ultralytics kullanmak, veri kümelerini yönetme ve birden fazla eğitim çalışması boyunca bu metrikleri izleme sürecini de kolaylaştırabilir.

Model Geri Çağırma Yeteneğini İyileştirme

Bir modelin geri çağırma oranını artırmak için veri bilimcileri genellikle çıkarım sırasında kullanılan güven eşiğini ayarlarlar. Eşiği düşürmek, modeli daha "iyimser" hale getirir ve daha fazla tahmini olumlu olarak kabul eder, bu da geri çağırmayı artırır ancak kesinliği azaltabilir. Ek olarak, daha çeşitli eğitim verileri toplamak, modelin zor olumsuzları ve belirsiz örnekleri tanımayı öğrenmesine yardımcı olur. Karmaşık görevler için, Transformer blokları gibi gelişmiş mimariler kullanmak veya ensemble yöntemlerini keşfetmek, sistemin daha basit modellerin gözden kaçırabileceği detect özellikleri detect yeteneğini de geliştirebilir.