Guía para principiantes sobre recuperación en visión artificial

25 de Junio de 2025

COMPARTIR TAMBIÉN

Al utilizar un sistema de visión artificial, la recuperación ayuda a ver qué tan bien el sistema detecta todos los objetos o defectos importantes. En visión artificial, la recuperación muestra el porcentaje de objetos reales que detecta el sistema. Por ejemplo, si un sistema de visión artificial con recuperación detecta 43 verdaderos positivos y 7 omiten, la recuperación es de 0.86. Esto significa que detecta el 86 % de lo importante.

Métrico	Valor	Explicación
Verdaderos positivos (TP)	43	Casos positivos correctamente identificados
Falsos negativos (FN)	7	Casos positivos que el modelo no detecta
Recordar	0.86	TP/(TP + FN), mide la sensibilidad o tasa de verdaderos positivos

Una alta tasa de recuperación aumenta la fiabilidad de su sistema de visión artificial. Puede observar cómo la tasa de recuperación varía con el tamaño del objeto y la iluminación en tareas de visión artificial del mundo real. La gráfica a continuación muestra que una mejor tasa de recuperación se traduce en una detección más precisa, especialmente para objetos de mayor tamaño.

Puntos clave

El recuerdo mide qué tan bien un sistema de visión artificial Encuentra todos los objetos reales o defectos que debería detectar.
Una alta tasa de recuperación significa que el sistema pierde menos elementos importantes, lo que lo hace más confiable y seguro.
Tú calcular la recuperación dividiendo los verdaderos positivos por la suma de los verdaderos positivos y los falsos negativos.
Mejorar la recuperación ayuda a detectar más defectos, acelera las inspecciones y reduce los costos en las tareas del mundo real.
Equilibrar la recuperación con la precisión es clave para reducir los objetos perdidos sin causar demasiadas falsas alarmas.

Sistema de visión artificial de recuperación

¿Qué es el retiro?

La recuperación se puede considerar como una forma de medir la eficacia con la que un sistema de visión artificial detecta todos los elementos importantes que debería. En visión artificial, la recuperación también se denomina sensibilidad o tasa de verdaderos positivos. Esto significa que verifica cuántos objetos o defectos reales detecta el sistema de entre todos los existentes. Si el sistema omite alguno, la recuperación disminuye. Si detecta casi todo, aumenta.

Por ejemplo, en la detección de objetos, la recuperación indica cuántos objetos reales encuentra el sistema en una imagen. Si hay cinco manzanas en una imagen y el sistema encuentra cuatro, la recuperación es del 80 %. Esto ayuda a detectar si el sistema de visión artificial está pasando por alto algo importante.

La capacidad de recuperación es fundamental en las tareas de visión artificial, donde la omisión de un defecto u objeto puede causar problemas. En el control de calidad, se busca detectar todos los productos defectuosos. En la detección de incendios, se busca detectar cualquier indicio de incendio. La capacidad de recuperación ayuda a medir esta capacidad.

Consejo: El recall se calcula como:
Recall = True Positives / (True Positives + False Negatives)
Los verdaderos positivos son los que el sistema detecta correctamente. Los falsos negativos son los que no detecta.

Por qué es importante recordar

Necesita una alta capacidad de recuperación en un sistema de visión artificial para garantizar que no se pase por alto ningún defecto ni objeto importante. Pasar por alto un defecto puede provocar que los productos defectuosos lleguen a los clientes. Pasar por alto un incendio puede ser peligroso. Una alta capacidad de recuperación significa que su sistema detecta prácticamente todo lo que debería.

En aplicaciones de sistemas de visión artificial en el mundo real, la recuperación juega un papel fundamental en la fiabilidad del sistema. Por ejemplo, en control de calidad, un sistema de visión artificial con recuperación puede inspeccionar 1,000 artículos y detectar correctamente 986 defectuosos. Esto se traduce en una recuperación del 99.4 %. Una alta recuperación ayuda a reducir los defectos no detectados y a mejorar la calidad del producto.

Muchas industrias utilizan la recuperación de piezas para comprobar el buen funcionamiento de sus sistemas. En la industria manufacturera, la recuperación de piezas ayuda a detectar piezas defectuosas antes de que salgan de fábrica. En la industria automotriz, los sistemas de visión artificial de recuperación detectan defectos en las piezas de los automóviles, como agujeros en las vigas del parachoques. Esto ayuda a solucionar problemas a tiempo y a evitar errores costosos.

A continuación se muestran algunos resultados reales que muestran el poder de la alta capacidad de recuperación en la visión artificial:

Un modelo de aprendizaje profundo llamado YOLO-v3 con MobileNet detectó defectos en componentes electrónicos con rapidez y precisión. Trucos de datos como el desenfoque y la modificación del brillo ayudaron al modelo a alcanzar una alta tasa de recuperación, incluso con pocos datos de entrenamiento.
Algunos sistemas alcanzan tasas de recuperación de hasta el 100 %, lo que significa que detectan todos los defectos. Esto se traduce en menos tiempo de inactividad y menos desperdicio en las fábricas.
Los modelos livianos permiten la inspección en tiempo real, lo cual es importante para líneas de producción de rápido movimiento.
En la detección de fallas en los rodamientos, el uso de más datos de entrenamiento y modelos inteligentes mejoró la recuperación y la precisión, incluso con conjuntos de datos pequeños.

Nota: Una alta tasa de recuperación no se limita a detectar más defectos. También significa que su sistema funciona bien a altas velocidades y con diferentes tipos de defectos. Esto mantiene su línea de producción funcionando sin problemas.

Métrico	Antes AI-powered Visión de máquina	Después AI-powered Visión de máquina	Descripción de la mejora
Detección de defectos Exactitud	N/A	99.8%	Se logró una precisión de detección de defectos casi perfecta
Tiempo de inspección por hoja	45 minutos	3 minutos	El tiempo de inspección se redujo en un ~93%
Rendimiento de producción	N/A	Aumento de 15x	El número de palas inspeccionadas aumentó 15 veces
Costo de mano de obra por hoja	N/A	Reducido en un ~93%	Ahorros de costes significativos por cada hoja inspeccionada

Se puede observar que una alta tasa de recuperación en un sistema de visión artificial con recuperación de datos se traduce en mayor precisión, inspecciones más rápidas y menores costos. Estas mejoras ayudan a las empresas a ofrecer productos más seguros y de mayor calidad.

Cálculo de recuperación

Matriz de confusión

Puedes utilizar una matriz de confusión Para comprobar el funcionamiento de su sistema de visión artificial. Esta tabla muestra cómo su modelo realiza predicciones. Desglosa los resultados en cuatro grupos:

Componente	Descripción
Verdadero Positivo (TP)	El modelo encuentra correctamente un objeto real
Falso Negativo (FN)	El modelo carece de un objeto real.
Falso positivo (FP)	El modelo encuentra algo que no es real.
Verdadero Negativo (TN)	El modelo ignora correctamente un no-objeto

Una matriz de confusión le ayuda a comprender las fortalezas y debilidades de su sistema. Puede ver cuántos objetos reales detecta su modelo y cuántos omite. Este desglose es importante para medir la recuperación, especialmente cuando desea mejorar el rendimiento del modelo en tareas como la detección de fallos o el diagnóstico médico. Muchos equipos de visión artificial utilizan la matriz de confusión para comprobar si sus modelos omiten casos importantes o cometen demasiados errores.

Nota: La matriz de confusión es una herramienta confiable tanto en la investigación como en la industria. Le ayuda a ajustar su sistema para reducir errores costosos y mejorar la confiabilidad.

Fórmula y ejemplo

Puedes calcular el recall usando esta sencilla fórmula:

Recall = True Positives / (True Positives + False Negatives)

Esta fórmula indica el porcentaje de objetos reales que detecta el modelo. Si el modelo detecta la mayoría de los objetos reales, la recuperación será alta. Esto es clave para el rendimiento del modelo, especialmente cuando es arriesgado pasar por alto un defecto u objeto.

Veamos un ejemplo paso a paso:

Imagina que tienes 100 defectos reales en tu conjunto de datos.
Su modelo encuentra correctamente 90 de ellos (verdaderos positivos).
Faltan 10 defectos (falsos negativos).
Inserte estos números en la fórmula:

Recall = 90 / (90 + 10) = 90 / 100 = 0.9

Por lo tanto, su tasa de recuperación es de 0.9, o 90 %. Esto significa que su modelo detecta el 90 % de todos los defectos reales. En visión artificial, esta alta tasa de recuperación demuestra que su sistema no omite muchos casos importantes. Puede utilizar este método tanto para conjuntos de datos simples como complejos. Muchos expertos también utilizan recordar junto con otras métricas, como la precisión y la puntuación F1, para obtener una imagen completa del rendimiento del modelo.

Clasificación de objetos

Impacto del retiro del mercado

Cuando se utiliza clasificación de objetos En visión artificial, la recuperación juega un papel fundamental en la capacidad del sistema para encontrar los objetos correctos. Una alta recuperación significa que el modelo detecta la mayoría o todos los objetos que le interesan, como encontrar todas las bolas rojas de un grupo. Esto es importante en lugares como fábricas, donde la omisión de un solo objeto peligroso puede causar problemas.

El recuerdo mide cuántos objetos reales encuentra su modelo en comparación con cuántos existen realmente.
Una alta capacidad de recuperación le ayuda a evitar perder objetos importantes, lo que se denomina falsos negativos.
En la visión artificial industrial, la pérdida de un objeto puede ser crítica, por lo que desea que su modelo tenga una alta tasa de recuperación.
Existe un equilibrio entre la recuperación y la precisión. Si te centras solo en la recuperación, podrías tener más falsas alarmas, pero pasarás por alto menos objetos reales.
La puntuación F1 le ayuda a equilibrar la recuperación y la precisión, brindándole un número único para verificar el rendimiento general del modelo.

Si utiliza un clasificador multiclase, la recuperación indica la eficacia con la que su modelo encuentra cada tipo de objeto. Por ejemplo, si su modelo encuentra 90 de 100 manzanas, pero omite 10, su recuperación para las manzanas es del 90 %. Una alta recuperación mejora la precisión de la clasificación de objetos, ya que garantiza que no se omitan muchos objetos reales.

Recuerde: una alta tasa de recuperación significa una mejor cobertura de los verdaderos positivos, lo que puede aumentar la precisión y la confiabilidad de su modelo.

Reducción de falsos negativos

Quiere reducir los falsos negativos, ya que la omisión de objetos reales puede provocar errores. La recuperación muestra la eficacia de su modelo para evitar estos errores. Por ejemplo, si su modelo tiene una recuperación de 0.6 en 10 muestras positivas, detecta 6 y omite 4. Si mejora la recuperación a 1.0, su modelo detecta las 10 muestras y no omite ninguna.

Puede utilizar varias estrategias para reducir los falsos negativos y aumentar la recuperación:

Ajuste el umbral de decisión de su modelo. Reducirlo puede ayudar a que su modelo detecte más objetos reales, pero también puede aumentar los falsos positivos.
Pruebe el aprendizaje sensible a los costos, que da más peso a las clases importantes o raras.
Utilice técnicas de datos como sobremuestreo o submuestreo para equilibrar su conjunto de datos.
Ajuste los parámetros de su modelo y elija las características adecuadas para ayudarlo a aprender mejor.

Estos pasos le ayudan a obtener una alta tasa de recuperación, lo que significa que su sistema de clasificación de objetos pasará por alto menos objetos reales. En muchas tareas del mundo real, como pruebas médicas o controles de seguridad, reducir los falsos negativos es más importante que evitar las falsas alarmas.

Consejo: Verifique siempre su puntuación de recuperación cuando quiera asegurarse de que su modelo no omita nada importante.

Precisión vs recuperación

La precisión explicada

A menudo se habla de precisión vs. recuperación al medir el rendimiento de un sistema de visión artificial. La precisión indica cuántos elementos que el sistema marcó como positivos son realmente correctos. En otras palabras, la precisión verifica si el sistema comete pocos errores cuando indica que algo es importante. Se busca alta precisión cuando se necesitan pocos falsos positivos. Por ejemplo, si el sistema encuentra 100 objetos y 95 son correctos, la precisión es del 95 %.

La precisión utiliza esta fórmula:

Precision = True Positives / (True Positives + False Positives)

Esta fórmula muestra que la precisión se centra en la exactitud de las predicciones positivas. Estudios con conjuntos de datos de vehículos muestran que la precisión puede alcanzar valores más altos que la recuperación, especialmente al ajustar el sistema para que sea más cuidadoso. La precisión puede variar considerablemente según cómo se configure el umbral del modelo. La curva de precisión-recuperación permite observar cómo estas dos métricas cambian conjuntamente. En algunos casos, la precisión tiene un rango más amplio que la recuperación, que suele mantenerse más estable.

Cuándo priorizar cada cosa

Debe elegir entre precisión y recuperación según lo más importante en su proyecto. Si desea evitar falsas alarmas, concéntrese en la precisión. Por ejemplo, en la detección de fraudes, conviene evitar marcar transacciones reales como fraudulentas. Una alta precisión significa que menos clientes se molestan por errores. En las recomendaciones de productos, una alta precisión mantiene a los usuarios satisfechos al mostrar solo los artículos relevantes.

A veces, la memoria es más importante. En las pruebas médicas, pasar por alto una enfermedad puede ser peligroso. Quiere que su sistema detecte todos los casos posibles, incluso si eso implica más falsas alarmas. En ciberseguridad, una alta capacidad de memoria le ayuda a detectar todas las amenazas, incluso si algunas no son reales.

Aquí hay una tabla para ayudarle a decidir:

Dominio de la aplicación	Métrica de prioridad	¿Por qué?
Detección de fraude	Precisión	Evite molestar a los usuarios con falsas alarmas
Diagnóstico médico	Recordar	Detectar todas las enfermedades posibles
Recomendaciones de productos	Precisión	Mostrar sólo elementos relevantes
Ciberseguridad	Recordar	Detectar cada amenaza posible

Puede usar la puntuación F1 para equilibrar la precisión y la recuperación. La puntuación F1 combina ambas métricas en un solo número. Esto le ayuda a comparar modelos y elegir el que mejor se adapte a sus necesidades. Muchos proyectos de visión artificial utilizan precisión media media (mAP) para comparar modelos en diferentes clases y umbrales.

Ha visto cómo la recuperación ayuda a su sistema de visión artificial a detectar prácticamente cualquier defecto u objeto. Una alta recuperación implica menos problemas que se pasan por alto, lo que mantiene la fiabilidad de sus resultados. Observe la tabla a continuación para ver cómo la recuperación perfecta se traduce en una gran precisión en tareas del mundo real:

Etapa de tubería	Exactitud (%)	Precisión (%)	Recordar (%)	Puntuación F1 (%)
Detección de cadenas	100.0	100.0	100.0	100.0
Detección de defectos del logotipo	97.9	95.5	100.0	97.7
Detección de anomalías en los caracteres	99.8	99.6	100.0	99.8

Al trabajar en proyectos reales, como clasificar basura o revisar productos, se necesita precisión y memoria. Estas métricas ayudan a detectar cualquier problema y a minimizar los errores. ¡Sigue aprendiendo sobre memoria y precisión para desarrollar sistemas de visión artificial mejores y más seguros! 🚀

Preguntas Frecuentes

¿Cuál es la diferencia entre recuperación y precisión?

El recuerdo muestra cuántos objetos reales Su sistema detecta. La precisión le indica cuántas predicciones son correctas en total. Puede tener alta precisión, pero baja recuperación, si su sistema omite muchos objetos reales.

¿Cómo puedes mejorar la recuperación en tu sistema de visión artificial?

Puedes mejorar la recuperación usando más datos de entrenamiento, ajustando el umbral de tu modelo o eligiendo mejores características. Prueba el aumento de datos, como voltear o rotar imágenes, para que tu modelo aprenda más patrones.

¿Por qué una alta tasa de recuperación a veces provoca más falsos positivos?

Cuando te concentras en encontrar todos los objetos reales, tu sistema también puede detectar cosas que no son reales. Esto aumenta falsos positivosPara obtener los mejores resultados, es necesario equilibrar la recuperación y la precisión.

¿Es la recuperación siempre la métrica más importante?

No, la recordación no siempre es lo más importante. En algunos casos, se busca una alta precisión. Por ejemplo, en la detección de spam, no conviene marcar correos electrónicos reales como spam. Elija la métrica que mejor se adapte a su objetivo.