回顾

在机器学习中，尤其是在分类和对象检测领域，召回率是一个关键指标，它能让我们深入了解模型识别数据集中所有相关实例的能力。它回答了一个问题："在所有实际的阳性案例中，模型正确识别了多少？了解 Recall 对于评估人工智能模型的有效性至关重要，尤其是在一些应用中，如果不能检测到正向实例，就会造成严重后果。

了解召回

召回率通常被称为灵敏度，是量化模型找到所有正向实例能力的指标。它的计算方法是真阳性（TP）与真阳性和假阴性（FN）之和的比率。简单地说，就是要尽量减少假阴性--模型错误地预测了负面结果，而实际结果却是正面的。高召回得分表明模型能有效捕捉大部分实际的正向实例，从而降低遗漏重要正向案例的风险。

例如，在使用诸如 Ultralytics YOLOv8等模型的物体检测任务中，高召回率意味着该模型善于发现图像中大多数感兴趣的物体，即使偶尔会将背景元素误认为物体（导致精度降低）。

回忆的相关性和意义

在漏检阳性实例比误报阳性代价更大的情况下，召回显得尤为重要。考虑一下用于疾病检测的医学图像分析。例如，在癌症筛查中，高召回率至关重要。识别所有实际癌症病例（即使这意味着一些健康人被错误标记，需要进一步调查）比为了减少误报而漏掉癌症病例更为重要。漏检阳性病例（假阴性）可能会延误治疗并对健康造成严重影响。

Recall 在安全系统中的另一个重要应用领域是计算机视觉防盗应用。在零售安全领域，最大限度地提高召回率可确保系统检测到尽可能多的潜在盗窃事件。虽然可能会出现一些误报（假阳性），但如果检测不到实际的盗窃事件（假阴性），则可能会导致重大的经济损失。因此，优先考虑 "召回 "是有效实施安全的关键。

召回率与精度和准确率

Recall 侧重于正面预测的完整性，而Precision则衡量正面预测的准确性。精确度的答案是"在模型预测为正结果的所有实例中，有多少是真正的正结果？高精确度得分意味着，当模型预测出积极结果时，它很有可能是正确的，从而将误报率降到最低。

另一方面，准确度是对正确性的整体衡量，同时考虑到真阳性、真阴性、假阳性和假阴性。准确率在类别平衡的情况下非常有用，但在处理不平衡的数据集时，如果一个类别的数量明显多于另一个类别，准确率就会产生误导。

在现实世界的许多应用场景中，精确度和召回率之间存在权衡。提高召回率可能会降低精确度，反之亦然。F1 分数是一个平衡精确度和召回率的指标，提供了两者的调和平均值。选择正确的指标取决于具体应用以及误报和误报的相对成本。要深入了解模型评估，YOLO 性能指标可以提供有价值的见解。

回忆的现实应用

除了医疗和安全应用，Recall 在各种人工智能驱动的系统中也发挥着至关重要的作用：

• 欺诈检测：在金融人工智能应用中，最大限度地提高召回率对于尽可能多地捕获欺诈交易至关重要，即使这意味着将一些合法交易标记为可疑交易以作进一步审查。
• 异常检测：在工业质量控制中，异常检测的高召回率可确保识别出几乎所有有缺陷的产品，从而保持质量标准，防止有缺陷的产品流入客户手中。
• 搜索和信息检索：在语义搜索和信息检索系统中，"召回率 "衡量的是系统检索查询的所有相关文档或结果的能力，以确保搜索结果的全面性。

总之，召回率是机器学习中的一个重要评估指标，尤其是当遗漏正实例的成本很高时。通过了解和优化 Recall，开发人员可以利用Ultralytics HUB 等工具和平台，在各种应用中构建更有效、更可靠的人工智能系统。