Geri Çağırma

Geri Çağırma Nasıl Hesaplanır?

Geri çağırma, Doğru Pozitiflerin (TP) sayısının Doğru Pozitifler ve Yanlış Negatiflerin (FN) toplamına bölünmesiyle hesaplanır. Doğru Pozitifler doğru şekilde pozitif olarak tanımlanan örneklerdir, Yanlış Negatifler ise modelin yanlış şekilde negatif olarak sınıflandırdığı pozitif örneklerdir. Yüksek bir Geri Çağırma puanı, modelin verilerdeki pozitif örneklerin çoğunu bulmada etkili olduğunu gösterir. Bu metrik, özellikle nesne algılama ve görüntü sınıflandırma gibi görevlerde model performansını değerlendirmek için temeldir. Ultralytics HUB gibi araçlar ve platformlar, model değerlendirmesi sırasında genellikle diğer metriklerle birlikte Geri Çağırma'yı görüntüler.

Geri Çağırma Vs. İlgili Metrikler

Geri Çağırmayı anlamak genellikle onu diğer yaygın değerlendirme ölçütleriyle karşılaştırmayı gerektirir:

• Kesinlik: Recall tüm gerçek pozitif örnekleri yakalamaya odaklanırken, Precision model tarafından yapılan pozitif tahminlerin doğruluğunu ölçer (TP / (TP + Yanlış Pozitifler)). Hassasiyet ve Geri Çağırma arasında genellikle bir değiş tokuş vardır; birini iyileştirmek diğerini azaltabilir. Bu, Kesinlik-Geri Çağırma değiş tokuşu olarak bilinir.
• Doğruluk: Doğruluk, modelin tüm sınıflardaki genel doğruluğunu ölçer ((TP + Doğru Negatifler) / Toplam Tahminler). Ancak doğruluk, özellikle bir sınıfın diğerlerinden önemli ölçüde fazla olduğu dengesiz veri kümelerinde yanıltıcı olabilir. Bu gibi durumlarda, azınlıktaki sınıf için Geri Çağırma genellikle daha bilgilendirici bir metriktir.
• F1-Skoru: F1-Skoru, Hassasiyet ve Geri Çağırma değerlerinin harmonik ortalamasıdır ve her iki kaygıyı dengeleyen tek bir metrik sağlar. Tüm pozitif örnekleri bulmak (Geri Çağırma) ile tanımlanan örneklerin gerçekten pozitif olduğundan emin olmak (Hassasiyet) arasında bir uzlaşmaya ihtiyaç duyduğunuzda kullanışlıdır. Daha fazla bilgi için YOLO performans metrikleri hakkında ayrıntılı kılavuzları inceleyebilirsiniz.

Önemi ve Uygulamaları

Yüksek Hatırlama, pozitif örneklerin gözden kaçırılmasının maliyetli veya tehlikeli olduğu uygulamalarda kritik öneme sahiptir. Odak noktası Yanlış Negatifleri en aza indirmektir.

• Tıbbi Görüntü Analizi: Taramalardan kanserli tümörlerin tespit edilmesi gibi teşhis sistemlerinde Geri Çağrılmayı en üst düzeye çıkarmak çok önemlidir. Bir hastalığın tespit edilememesi (Yanlış Negatif) hasta için ciddi sağlık sonuçları doğurabilir, bu nedenle daha ileri testlerle ekarte edilebilecek bazı Yanlış Pozitiflerin (sağlıklı dokunun potansiyel olarak hastalıklı olarak işaretlenmesi) olması tercih edilir. Sağlık hizmetlerinde yapay zeka, tarama için büyük ölçüde yüksek Geri Çağırma modellerine dayanıyor ve Radyoloji gibi dergilerde tartışılan ilerlemelere katkıda bulunuyor: Yapay Zeka. Örneğin, beyin tümörlerini tespit etmek yüksek hassasiyet gerektirir.
• Sahtekarlık Tespiti: Finansal sistemlerde, hileli işlemlerin tespit edilmesi çok önemlidir. Yüksek bir Geri Çağırma modeli, çoğu gerçek dolandırıcılık girişiminin yakalanmasını sağlayarak mali kayıpları en aza indirir. Bu, bazı meşru işlemlerin incelenmek üzere işaretlenmesine (Yanlış Pozitifler) yol açabilirken, hileli bir işlemi (Yanlış Negatif) kaçırmanın maliyeti genellikle çok daha yüksektir. Finans uygulamalarındaki birçok yapay zeka, Geri Çağırma'ya öncelik verir.
• Güvenlik Sistemleri: Davetsiz misafirleri veya tehditleri tespit etmek için tasarlanmış gözetim sistemleri için yüksek Geri Çağırma, potansiyel tehlikelerin gözden kaçmamasını sağlar. Yapay zeka odaklı güvenlik uygulamalarında görüldüğü gibi, gerçek bir tehdidin gözden kaçırılması (Yanlış Negatif) güvenliği tehlikeye atabilir.
• Üretimde Kalite Kontrol: Otomatik denetim sistemlerinde yüksek Geri Çağırma, bir üretim hattındaki neredeyse tüm kusurlu ürünlerin tespit edilmesine yardımcı olarak hatalı ürünlerin tüketicilere ulaşmasını önler. Bir kusurun gözden kaçması (Yanlış Negatif) müşteri memnuniyetsizliğine ve güvenlik sorunlarına yol açabilir. Üretimde yapay zeka hakkında daha fazla bilgi edinin.

Ultralytics YOLO Modellerinde Geri Çağırma

Bilgisayarla görme (CV) bağlamında ve aşağıdaki gibi modeller Ultralytics YOLOGeri Çağırma, nesne algılama ve örnek segmentasyonu gibi görevlerde performansı değerlendirmek için Kesinlik ve Ortalama Kesinlik (mAP) ile birlikte kullanılan önemli bir metriktir. Geri Çağırma ve Kesinlik arasında iyi bir denge sağlamak, genellikle sağlam bir gerçek dünya performansı için gereklidir. Örneğin, YOLOv8 ve YOLO11 gibi modelleri karşılaştırırken, Recall her modelin tüm hedef nesneleri ne kadar iyi tanımladığını anlamaya yardımcı olur. Kullanıcılar aşağıdaki gibi çerçeveleri kullanarak özel modeller eğitebilir PyTorch veya TensorFlow gibi araçları kullanarak Geri Çağırma'yı takip edin Weights & Biases veya Ultralytics HUB'daki entegre özellikler. Geri Çağırmayı anlamak, potansiyel olarak hiperparametre ayarını veya YOLOv10 veya en son model gibi farklı model mimarilerini keşfetmeyi içeren belirli kullanım durumları için modelleri optimize etmeye yardımcı olur YOLO11. Ultralytics belgeleri gibi kaynaklar, eğitim ve değerlendirme konusunda kapsamlı kılavuzlar sunar.