召回率

召回率（也称为灵敏度或真阳性率）是机器学习中衡量模型识别数据集中所有相关实例能力的核心性能指标。在目标检测或分类任务中，它具体回答了这样的问题："在所有真实阳性案例中，模型正确识别了多少个？" 在漏检阳性实例（通常称为假阴性）会导致严重后果的场景中，实现高召回率至关重要。与准确率不同——后者在处理不平衡数据时可能产生误导——召回率能聚焦展现模型"捕捉"目标类别的有效性。

高召回率的重要性

在许多 人工智能应用中， 未能detect 的代价远高于误报的代价。 针对召回率优化的模型 能最大限度减少漏检，确保系统撒下足够宽广的网以捕捉潜在威胁、异常或 关键状况。这通常涉及权衡取舍，因为提高召回率有时会导致 精度得分下降，意味着模型可能将更多 无关项目标记为阳性。理解这种平衡是开发稳健 机器学习解决方案的关键。

实际应用

召回率是众多安全关键型人工智能解决方案的核心指标。以下两个典型案例中，灵敏度被置于优先地位：

• 医学诊断： 在医学影像分析中，例如通过X光筛查疾病早期征兆，高检出率是不可妥协的。若医疗系统中的AI用于 detect 肿瘤，与其完全漏诊恶性肿瘤，不如让系统标记出最终被证实为良性的可疑阴影（即假阳性）。 医生依赖这些工具作为安全网，确保任何潜在健康风险都不被忽视。
• 安全与监控：对于安防报警系统，首要目标detect 入侵企图。优化高召回率的系统能确保当人员进入限制区域时触发警报。尽管这可能导致野生动物引发偶发性误报，但远优于系统未能detect 真实detect 情况。此类场景中的物体检测模型经过调优，以确保对潜在威胁保持最高灵敏度。

召回率 vs. 精确率

必须区分召回率与其对应指标—— 精确率。召回率衡量的是发现相关案例的数量（完整性）， 而精确率衡量的是阳性预测的质量（准确性）。

• 召回率：侧重于避免漏检。"我们是否找到了所有的苹果？"
• 精度：专注于最大限度减少误报。"我们称之为苹果的所有事物，是否确实都是苹果？"

这两项指标通常呈反比关系，可通过精确率-召回率曲线直观呈现。为评估二者间的整体平衡，开发者常采用F1分数——即两者的调和平均值。在不平衡数据集中，结合混淆矩阵观察召回率，能比单纯考察准确率更清晰地展现模型性能。

用Ultralytics YOLO测量召回率

在训练YOLO26等前沿模型时，召回率会在验证阶段自动计算。该框架会为每个类别计算召回率及平均精度均值(mAP)，帮助开发者评估模型检测物体的性能。

您可以轻松地Python验证训练好的模型并查看其召回率指标。以下代码片段演示了如何加载模型并在标准数据集上检查其性能：

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}")

该代码Ultralytics 执行验证。若召回率低于项目要求，可考虑采用数据增强技术生成更多样化的训练样本，或通过超参数调优调整模型敏感度。Ultralytics 还能简化数据集管理流程，并在多次训练运行中追踪这些指标。

提升模型召回率

为提高模型的召回率，数据科学家常调整推理过程中的 置信阈值。降低阈值会使模型更"乐观"，将更多预测判定为正例，从而提升召回率但可能降低精确率。此外，收集更多样化的训练数据有助于模型识别硬负样本和模糊实例。对于复杂任务，采用先进架构如 Transformer 模块或探索 集成方法，也能增强系统detect 简单模型可能忽略的detect 特征的能力。