انتقل إلى المحتوى

مرجع ل ultralytics/utils/metrics.py

ملاحظه

هذا الملف متاح في https://github.com/ultralytics/ultralytics/ نقطة / الرئيسية /ultralytics/ المرافق / المقاييس.py. إذا اكتشفت مشكلة ، فيرجى المساعدة في إصلاحها من خلال المساهمة في طلب 🛠️ سحب. شكرا لك 🙏!



ultralytics.utils.metrics.ConfusionMatrix

فئة لحساب وتحديث مصفوفة الارتباك لمهام اكتشاف الكائنات وتصنيفها.

سمات:

اسم نوع وصف
task str

نوع المهمة ، إما "كشف" أو "تصنيف".

matrix ndarray

مصفوفة الارتباك ، مع أبعاد حسب المهمة.

nc int

عدد الطبقات.

conf float

عتبة الثقة للاكتشافات.

iou_thres float

التقاطع على عتبة الاتحاد.

شفرة المصدر في ultralytics/utils/metrics.py
class ConfusionMatrix:
    """
    A class for calculating and updating a confusion matrix for object detection and classification tasks.

    Attributes:
        task (str): The type of task, either 'detect' or 'classify'.
        matrix (np.ndarray): The confusion matrix, with dimensions depending on the task.
        nc (int): The number of classes.
        conf (float): The confidence threshold for detections.
        iou_thres (float): The Intersection over Union threshold.
    """

    def __init__(self, nc, conf=0.25, iou_thres=0.45, task="detect"):
        """Initialize attributes for the YOLO model."""
        self.task = task
        self.matrix = np.zeros((nc + 1, nc + 1)) if self.task == "detect" else np.zeros((nc, nc))
        self.nc = nc  # number of classes
        self.conf = 0.25 if conf in (None, 0.001) else conf  # apply 0.25 if default val conf is passed
        self.iou_thres = iou_thres

    def process_cls_preds(self, preds, targets):
        """
        Update confusion matrix for classification task.

        Args:
            preds (Array[N, min(nc,5)]): Predicted class labels.
            targets (Array[N, 1]): Ground truth class labels.
        """
        preds, targets = torch.cat(preds)[:, 0], torch.cat(targets)
        for p, t in zip(preds.cpu().numpy(), targets.cpu().numpy()):
            self.matrix[p][t] += 1

    def process_batch(self, detections, gt_bboxes, gt_cls):
        """
        Update confusion matrix for object detection task.

        Args:
            detections (Array[N, 6] | Array[N, 7]): Detected bounding boxes and their associated information.
                                      Each row should contain (x1, y1, x2, y2, conf, class)
                                      or with an additional element `angle` when it's obb.
            gt_bboxes (Array[M, 4]| Array[N, 5]): Ground truth bounding boxes with xyxy/xyxyr format.
            gt_cls (Array[M]): The class labels.
        """
        if gt_cls.shape[0] == 0:  # Check if labels is empty
            if detections is not None:
                detections = detections[detections[:, 4] > self.conf]
                detection_classes = detections[:, 5].int()
                for dc in detection_classes:
                    self.matrix[dc, self.nc] += 1  # false positives
            return
        if detections is None:
            gt_classes = gt_cls.int()
            for gc in gt_classes:
                self.matrix[self.nc, gc] += 1  # background FN
            return

        detections = detections[detections[:, 4] > self.conf]
        gt_classes = gt_cls.int()
        detection_classes = detections[:, 5].int()
        is_obb = detections.shape[1] == 7 and gt_bboxes.shape[1] == 5  # with additional `angle` dimension
        iou = (
            batch_probiou(gt_bboxes, torch.cat([detections[:, :4], detections[:, -1:]], dim=-1))
            if is_obb
            else box_iou(gt_bboxes, detections[:, :4])
        )

        x = torch.where(iou > self.iou_thres)
        if x[0].shape[0]:
            matches = torch.cat((torch.stack(x, 1), iou[x[0], x[1]][:, None]), 1).cpu().numpy()
            if x[0].shape[0] > 1:
                matches = matches[matches[:, 2].argsort()[::-1]]
                matches = matches[np.unique(matches[:, 1], return_index=True)[1]]
                matches = matches[matches[:, 2].argsort()[::-1]]
                matches = matches[np.unique(matches[:, 0], return_index=True)[1]]
        else:
            matches = np.zeros((0, 3))

        n = matches.shape[0] > 0
        m0, m1, _ = matches.transpose().astype(int)
        for i, gc in enumerate(gt_classes):
            j = m0 == i
            if n and sum(j) == 1:
                self.matrix[detection_classes[m1[j]], gc] += 1  # correct
            else:
                self.matrix[self.nc, gc] += 1  # true background

        if n:
            for i, dc in enumerate(detection_classes):
                if not any(m1 == i):
                    self.matrix[dc, self.nc] += 1  # predicted background

    def matrix(self):
        """Returns the confusion matrix."""
        return self.matrix

    def tp_fp(self):
        """Returns true positives and false positives."""
        tp = self.matrix.diagonal()  # true positives
        fp = self.matrix.sum(1) - tp  # false positives
        # fn = self.matrix.sum(0) - tp  # false negatives (missed detections)
        return (tp[:-1], fp[:-1]) if self.task == "detect" else (tp, fp)  # remove background class if task=detect

    @TryExcept("WARNING ⚠️ ConfusionMatrix plot failure")
    @plt_settings()
    def plot(self, normalize=True, save_dir="", names=(), on_plot=None):
        """
        Plot the confusion matrix using seaborn and save it to a file.

        Args:
            normalize (bool): Whether to normalize the confusion matrix.
            save_dir (str): Directory where the plot will be saved.
            names (tuple): Names of classes, used as labels on the plot.
            on_plot (func): An optional callback to pass plots path and data when they are rendered.
        """
        import seaborn as sn

        array = self.matrix / ((self.matrix.sum(0).reshape(1, -1) + 1e-9) if normalize else 1)  # normalize columns
        array[array < 0.005] = np.nan  # don't annotate (would appear as 0.00)

        fig, ax = plt.subplots(1, 1, figsize=(12, 9), tight_layout=True)
        nc, nn = self.nc, len(names)  # number of classes, names
        sn.set(font_scale=1.0 if nc < 50 else 0.8)  # for label size
        labels = (0 < nn < 99) and (nn == nc)  # apply names to ticklabels
        ticklabels = (list(names) + ["background"]) if labels else "auto"
        with warnings.catch_warnings():
            warnings.simplefilter("ignore")  # suppress empty matrix RuntimeWarning: All-NaN slice encountered
            sn.heatmap(
                array,
                ax=ax,
                annot=nc < 30,
                annot_kws={"size": 8},
                cmap="Blues",
                fmt=".2f" if normalize else ".0f",
                square=True,
                vmin=0.0,
                xticklabels=ticklabels,
                yticklabels=ticklabels,
            ).set_facecolor((1, 1, 1))
        title = "Confusion Matrix" + " Normalized" * normalize
        ax.set_xlabel("True")
        ax.set_ylabel("Predicted")
        ax.set_title(title)
        plot_fname = Path(save_dir) / f'{title.lower().replace(" ", "_")}.png'
        fig.savefig(plot_fname, dpi=250)
        plt.close(fig)
        if on_plot:
            on_plot(plot_fname)

    def print(self):
        """Print the confusion matrix to the console."""
        for i in range(self.nc + 1):
            LOGGER.info(" ".join(map(str, self.matrix[i])))

__init__(nc, conf=0.25, iou_thres=0.45, task='detect')

تهيئة السمات ل YOLO نموذج.

شفرة المصدر في ultralytics/utils/metrics.py
304 305 306 307 308309 310
def __init__(self, nc, conf=0.25, iou_thres=0.45, task="detect"):
    """Initialize attributes for the YOLO model."""
    self.task = task
    self.matrix = np.zeros((nc + 1, nc + 1)) if self.task == "detect" else np.zeros((nc, nc))
    self.nc = nc  # number of classes
    self.conf = 0.25 if conf in (None, 0.001) else conf  # apply 0.25 if default val conf is passed
    self.iou_thres = iou_thres

matrix()

إرجاع مصفوفة الارتباك.

شفرة المصدر في ultralytics/utils/metrics.py
def matrix(self):
    """Returns the confusion matrix."""
    return self.matrix

plot(normalize=True, save_dir='', names=(), on_plot=None)

ارسم مصفوفة الارتباك باستخدام seaborn واحفظها في ملف.

البارامترات:

اسم نوع وصف افتراضي
normalize bool

سواء لتطبيع مصفوفة الارتباك.

True
save_dir str

الدليل حيث سيتم حفظ المؤامرة.

''
names tuple

أسماء الفئات ، وتستخدم كعلامات على المؤامرة.

()
on_plot func

رد اتصال اختياري لتمرير مسارات وبيانات عند عرضها.

None
شفرة المصدر في ultralytics/utils/metrics.py
394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418419 420421 422 423 424425426 427 428 429430 431 432 433 434 435 436 437438
@TryExcept("WARNING ⚠️ ConfusionMatrix plot failure")
@plt_settings()
def plot(self, normalize=True, save_dir="", names=(), on_plot=None):
    """
    Plot the confusion matrix using seaborn and save it to a file.

    Args:
        normalize (bool): Whether to normalize the confusion matrix.
        save_dir (str): Directory where the plot will be saved.
        names (tuple): Names of classes, used as labels on the plot.
        on_plot (func): An optional callback to pass plots path and data when they are rendered.
    """
    import seaborn as sn

    array = self.matrix / ((self.matrix.sum(0).reshape(1, -1) + 1e-9) if normalize else 1)  # normalize columns
    array[array < 0.005] = np.nan  # don't annotate (would appear as 0.00)

    fig, ax = plt.subplots(1, 1, figsize=(12, 9), tight_layout=True)
    nc, nn = self.nc, len(names)  # number of classes, names
    sn.set(font_scale=1.0 if nc < 50 else 0.8)  # for label size
    labels = (0 < nn < 99) and (nn == nc)  # apply names to ticklabels
    ticklabels = (list(names) + ["background"]) if labels else "auto"
    with warnings.catch_warnings():
        warnings.simplefilter("ignore")  # suppress empty matrix RuntimeWarning: All-NaN slice encountered
        sn.heatmap(
            array,
            ax=ax,
            annot=nc < 30,
            annot_kws={"size": 8},
            cmap="Blues",
            fmt=".2f" if normalize else ".0f",
            square=True,
            vmin=0.0,
            xticklabels=ticklabels,
            yticklabels=ticklabels,
        ).set_facecolor((1, 1, 1))
    title = "Confusion Matrix" + " Normalized" * normalize
    ax.set_xlabel("True")
    ax.set_ylabel("Predicted")
    ax.set_title(title)
    plot_fname = Path(save_dir) / f'{title.lower().replace(" ", "_")}.png'
    fig.savefig(plot_fname, dpi=250)
    plt.close(fig)
    if on_plot:
        on_plot(plot_fname)

print()

اطبع مصفوفة الارتباك على وحدة التحكم.

شفرة المصدر في ultralytics/utils/metrics.py
440 441 442 443
def print(self):
    """Print the confusion matrix to the console."""
    for i in range(self.nc + 1):
        LOGGER.info(" ".join(map(str, self.matrix[i])))

process_batch(detections, gt_bboxes, gt_cls)

تحديث مصفوفة الارتباك لمهمة الكشف عن الكائن.

البارامترات:

اسم نوع وصف افتراضي
detections Array[N, 6] | Array[N, 7]

المربعات المحيطة المكتشفة والمعلومات المرتبطة بها. يجب أن يحتوي كل صف على (x1 ، y1 ، x2 ، y2 ، conf ، class) أو مع عنصر إضافي angle عندما يكون obb.

مطلوب
gt_bboxes Array[M, 4] | Array[N, 5]

مربعات ربط الحقيقة الأرضية بتنسيق xyxy / xyxyr.

مطلوب
gt_cls Array[M]

تسميات الفصل.

مطلوب
شفرة المصدر في ultralytics/utils/metrics.py
324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350351 352 353 354355 356 357 358 359 360 361 362 363 364 365 366 367 368369 370 371 372 373 374 375 376 377378379 380 381
def process_batch(self, detections, gt_bboxes, gt_cls):
    """
    Update confusion matrix for object detection task.

    Args:
        detections (Array[N, 6] | Array[N, 7]): Detected bounding boxes and their associated information.
                                  Each row should contain (x1, y1, x2, y2, conf, class)
                                  or with an additional element `angle` when it's obb.
        gt_bboxes (Array[M, 4]| Array[N, 5]): Ground truth bounding boxes with xyxy/xyxyr format.
        gt_cls (Array[M]): The class labels.
    """
    if gt_cls.shape[0] == 0:  # Check if labels is empty
        if detections is not None:
            detections = detections[detections[:, 4] > self.conf]
            detection_classes = detections[:, 5].int()
            for dc in detection_classes:
                self.matrix[dc, self.nc] += 1  # false positives
        return
    if detections is None:
        gt_classes = gt_cls.int()
        for gc in gt_classes:
            self.matrix[self.nc, gc] += 1  # background FN
        return

    detections = detections[detections[:, 4] > self.conf]
    gt_classes = gt_cls.int()
    detection_classes = detections[:, 5].int()
    is_obb = detections.shape[1] == 7 and gt_bboxes.shape[1] == 5  # with additional `angle` dimension
    iou = (
        batch_probiou(gt_bboxes, torch.cat([detections[:, :4], detections[:, -1:]], dim=-1))
        if is_obb
        else box_iou(gt_bboxes, detections[:, :4])
    )

    x = torch.where(iou > self.iou_thres)
    if x[0].shape[0]:
        matches = torch.cat((torch.stack(x, 1), iou[x[0], x[1]][:, None]), 1).cpu().numpy()
        if x[0].shape[0] > 1:
            matches = matches[matches[:, 2].argsort()[::-1]]
            matches = matches[np.unique(matches[:, 1], return_index=True)[1]]
            matches = matches[matches[:, 2].argsort()[::-1]]
            matches = matches[np.unique(matches[:, 0], return_index=True)[1]]
    else:
        matches = np.zeros((0, 3))

    n = matches.shape[0] > 0
    m0, m1, _ = matches.transpose().astype(int)
    for i, gc in enumerate(gt_classes):
        j = m0 == i
        if n and sum(j) == 1:
            self.matrix[detection_classes[m1[j]], gc] += 1  # correct
        else:
            self.matrix[self.nc, gc] += 1  # true background

    if n:
        for i, dc in enumerate(detection_classes):
            if not any(m1 == i):
                self.matrix[dc, self.nc] += 1  # predicted background

process_cls_preds(preds, targets)

تحديث مصفوفة الارتباك لمهمة التصنيف.

البارامترات:

اسم نوع وصف افتراضي
preds Array[N, min(nc, 5)]

تسميات الفئة المتوقعة.

مطلوب
targets Array[N, 1]

تسميات فئة الحقيقة الأرضية.

مطلوب
شفرة المصدر في ultralytics/utils/metrics.py
312 313 314 315 316 317 318 319320 321322
def process_cls_preds(self, preds, targets):
    """
    Update confusion matrix for classification task.

    Args:
        preds (Array[N, min(nc,5)]): Predicted class labels.
        targets (Array[N, 1]): Ground truth class labels.
    """
    preds, targets = torch.cat(preds)[:, 0], torch.cat(targets)
    for p, t in zip(preds.cpu().numpy(), targets.cpu().numpy()):
        self.matrix[p][t] += 1

tp_fp()

إرجاع الإيجابيات الحقيقية والإيجابيات الخاطئة.

شفرة المصدر في ultralytics/utils/metrics.py
def tp_fp(self):
    """Returns true positives and false positives."""
    tp = self.matrix.diagonal()  # true positives
    fp = self.matrix.sum(1) - tp  # false positives
    # fn = self.matrix.sum(0) - tp  # false negatives (missed detections)
    return (tp[:-1], fp[:-1]) if self.task == "detect" else (tp, fp)  # remove background class if task=detect



ultralytics.utils.metrics.Metric

قواعد: SimpleClass

فئة لمقاييس تقييم الحوسبة ل YOLOv8 نموذج.

سمات:

اسم نوع وصف
p list

الدقة لكل فئة. الشكل: (nc ،).

r list

أذكر لكل فصل. الشكل: (nc ،).

f1 list

درجة F1 لكل فئة. الشكل: (nc ،).

all_ap list

درجات AP لجميع الفئات وجميع عتبات IoU. الشكل: (nc ، 10).

ap_class_index list

فهرس الفصل لكل درجة AP. الشكل: (nc ،).

nc int

عدد الفصول.

أساليب:

اسم وصف
ap50

AP عند عتبة IoU 0.5 لجميع الفئات. العوائد: قائمة درجات AP. الشكل: (nc ،) أو [].

ap

AP عند عتبات IoU من 0.5 إلى 0.95 لجميع الفئات. العوائد: قائمة درجات AP. الشكل: (nc ،) أو [].

mp

يعني الدقة من جميع الفئات. العوائد: تعويم.

mr

يعني استدعاء جميع الطبقات. العوائد: تعويم.

map50

متوسط AP عند عتبة IoU 0.5 لجميع الفئات. العوائد: تعويم.

map75

متوسط AP عند عتبة IoU 0.75 لجميع الفئات. العوائد: تعويم.

map

متوسط AP عند عتبات IoU من 0.5 إلى 0.95 لجميع الفئات. العوائد: تعويم.

mean_results

متوسط النتائج ، إرجاع mp ، mr ، map50 ، map.

class_result

نتيجة مدركة للفئة ، ترجع p [i] ، r [i] ، ap50 [i] ، ap [i].

maps

mAP من كل فئة. العوائد: صفيف من درجات mAP ، الشكل: (nc ،).

fitness

نموذج اللياقة البدنية كمزيج مرجح من المقاييس. العوائد: تعويم.

update

عدل سمات المقاييس بنتائج تقييم جديدة.

شفرة المصدر في ultralytics/utils/metrics.py
class Metric(SimpleClass):
    """
    Class for computing evaluation metrics for YOLOv8 model.

    Attributes:
        p (list): Precision for each class. Shape: (nc,).
        r (list): Recall for each class. Shape: (nc,).
        f1 (list): F1 score for each class. Shape: (nc,).
        all_ap (list): AP scores for all classes and all IoU thresholds. Shape: (nc, 10).
        ap_class_index (list): Index of class for each AP score. Shape: (nc,).
        nc (int): Number of classes.

    Methods:
        ap50(): AP at IoU threshold of 0.5 for all classes. Returns: List of AP scores. Shape: (nc,) or [].
        ap(): AP at IoU thresholds from 0.5 to 0.95 for all classes. Returns: List of AP scores. Shape: (nc,) or [].
        mp(): Mean precision of all classes. Returns: Float.
        mr(): Mean recall of all classes. Returns: Float.
        map50(): Mean AP at IoU threshold of 0.5 for all classes. Returns: Float.
        map75(): Mean AP at IoU threshold of 0.75 for all classes. Returns: Float.
        map(): Mean AP at IoU thresholds from 0.5 to 0.95 for all classes. Returns: Float.
        mean_results(): Mean of results, returns mp, mr, map50, map.
        class_result(i): Class-aware result, returns p[i], r[i], ap50[i], ap[i].
        maps(): mAP of each class. Returns: Array of mAP scores, shape: (nc,).
        fitness(): Model fitness as a weighted combination of metrics. Returns: Float.
        update(results): Update metric attributes with new evaluation results.
    """

    def __init__(self) -> None:
        """Initializes a Metric instance for computing evaluation metrics for the YOLOv8 model."""
        self.p = []  # (nc, )
        self.r = []  # (nc, )
        self.f1 = []  # (nc, )
        self.all_ap = []  # (nc, 10)
        self.ap_class_index = []  # (nc, )
        self.nc = 0

    @property
    def ap50(self):
        """
        Returns the Average Precision (AP) at an IoU threshold of 0.5 for all classes.

        Returns:
            (np.ndarray, list): Array of shape (nc,) with AP50 values per class, or an empty list if not available.
        """
        return self.all_ap[:, 0] if len(self.all_ap) else []

    @property
    def ap(self):
        """
        Returns the Average Precision (AP) at an IoU threshold of 0.5-0.95 for all classes.

        Returns:
            (np.ndarray, list): Array of shape (nc,) with AP50-95 values per class, or an empty list if not available.
        """
        return self.all_ap.mean(1) if len(self.all_ap) else []

    @property
    def mp(self):
        """
        Returns the Mean Precision of all classes.

        Returns:
            (float): The mean precision of all classes.
        """
        return self.p.mean() if len(self.p) else 0.0

    @property
    def mr(self):
        """
        Returns the Mean Recall of all classes.

        Returns:
            (float): The mean recall of all classes.
        """
        return self.r.mean() if len(self.r) else 0.0

    @property
    def map50(self):
        """
        Returns the mean Average Precision (mAP) at an IoU threshold of 0.5.

        Returns:
            (float): The mAP at an IoU threshold of 0.5.
        """
        return self.all_ap[:, 0].mean() if len(self.all_ap) else 0.0

    @property
    def map75(self):
        """
        Returns the mean Average Precision (mAP) at an IoU threshold of 0.75.

        Returns:
            (float): The mAP at an IoU threshold of 0.75.
        """
        return self.all_ap[:, 5].mean() if len(self.all_ap) else 0.0

    @property
    def map(self):
        """
        Returns the mean Average Precision (mAP) over IoU thresholds of 0.5 - 0.95 in steps of 0.05.

        Returns:
            (float): The mAP over IoU thresholds of 0.5 - 0.95 in steps of 0.05.
        """
        return self.all_ap.mean() if len(self.all_ap) else 0.0

    def mean_results(self):
        """Mean of results, return mp, mr, map50, map."""
        return [self.mp, self.mr, self.map50, self.map]

    def class_result(self, i):
        """Class-aware result, return p[i], r[i], ap50[i], ap[i]."""
        return self.p[i], self.r[i], self.ap50[i], self.ap[i]

    @property
    def maps(self):
        """MAP of each class."""
        maps = np.zeros(self.nc) + self.map
        for i, c in enumerate(self.ap_class_index):
            maps[c] = self.ap[i]
        return maps

    def fitness(self):
        """Model fitness as a weighted combination of metrics."""
        w = [0.0, 0.0, 0.1, 0.9]  # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
        return (np.array(self.mean_results()) * w).sum()

    def update(self, results):
        """
        Updates the evaluation metrics of the model with a new set of results.

        Args:
            results (tuple): A tuple containing the following evaluation metrics:
                - p (list): Precision for each class. Shape: (nc,).
                - r (list): Recall for each class. Shape: (nc,).
                - f1 (list): F1 score for each class. Shape: (nc,).
                - all_ap (list): AP scores for all classes and all IoU thresholds. Shape: (nc, 10).
                - ap_class_index (list): Index of class for each AP score. Shape: (nc,).

        Side Effects:
            Updates the class attributes `self.p`, `self.r`, `self.f1`, `self.all_ap`, and `self.ap_class_index` based
            on the values provided in the `results` tuple.
        """
        (
            self.p,
            self.r,
            self.f1,
            self.all_ap,
            self.ap_class_index,
            self.p_curve,
            self.r_curve,
            self.f1_curve,
            self.px,
            self.prec_values,
        ) = results

    @property
    def curves(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return []

    @property
    def curves_results(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return [
            [self.px, self.prec_values, "Recall", "Precision"],
            [self.px, self.f1_curve, "Confidence", "F1"],
            [self.px, self.p_curve, "Confidence", "Precision"],
            [self.px, self.r_curve, "Confidence", "Recall"],
        ]

ap property

ترجع متوسط الدقة (AP) عند حد IoU من 0.5-0.95 لكافة الفئات.

ارجاع:

نوع وصف
(ndarray, list)

صفيف الشكل (nc ،) مع قيم AP50-95 لكل فئة ، أو قائمة فارغة إذا لم تكن متوفرة.

ap50 property

ترجع متوسط الدقة (AP) عند حد IoU 0.5 لكافة الفئات.

ارجاع:

نوع وصف
(ndarray, list)

صفيف الشكل (nc،) مع قيم AP50 لكل فئة ، أو قائمة فارغة إذا لم تكن متوفرة.

curves property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

curves_results property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

map property

ترجع متوسط الدقة المتوسط (mAP) عبر عتبات IoU من 0.5 إلى 0.95 بخطوات 0.05.

ارجاع:

نوع وصف
float

mAP فوق عتبات IoU من 0.5 - 0.95 في خطوات 0.05.

map50 property

ترجع متوسط الدقة المتوسطة (mAP) عند حد IoU 0.5.

ارجاع:

نوع وصف
float

mAP عند عتبة IoU 0.5.

map75 property

ترجع متوسط الدقة المتوسط (mAP) عند حد IoU 0.75.

ارجاع:

نوع وصف
float

mAP عند عتبة IoU 0.75.

maps property

خريطة لكل فئة.

mp property

إرجاع متوسط الدقة لكافة الفئات.

ارجاع:

نوع وصف
float

متوسط الدقة لجميع الفئات.

mr property

إرجاع متوسط استدعاء كافة الفئات.

ارجاع:

نوع وصف
float

يعني استدعاء جميع الطبقات.

__init__()

تهيئة مثيل متري لحساب مقاييس التقييم ل YOLOv8 نموذج.

شفرة المصدر في ultralytics/utils/metrics.py
655 656 657 658 659 660 661 662
def __init__(self) -> None:
    """Initializes a Metric instance for computing evaluation metrics for the YOLOv8 model."""
    self.p = []  # (nc, )
    self.r = []  # (nc, )
    self.f1 = []  # (nc, )
    self.all_ap = []  # (nc, 10)
    self.ap_class_index = []  # (nc, )
    self.nc = 0

class_result(i)

نتيجة مدركة للفئة ، إرجاع p [i] ، r [i] ، ap50 [i] ، ap [i].

شفرة المصدر في ultralytics/utils/metrics.py
def class_result(self, i):
    """Class-aware result, return p[i], r[i], ap50[i], ap[i]."""
    return self.p[i], self.r[i], self.ap50[i], self.ap[i]

fitness()

نموذج اللياقة البدنية كمزيج مرجح من المقاييس.

شفرة المصدر في ultralytics/utils/metrics.py
750 751 752 753
def fitness(self):
    """Model fitness as a weighted combination of metrics."""
    w = [0.0, 0.0, 0.1, 0.9]  # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
    return (np.array(self.mean_results()) * w).sum()

mean_results()

متوسط النتائج ، إرجاع mp ، mr ، map50 ، خريطة.

شفرة المصدر في ultralytics/utils/metrics.py
def mean_results(self):
    """Mean of results, return mp, mr, map50, map."""
    return [self.mp, self.mr, self.map50, self.map]

update(results)

تحديث مقاييس تقييم النموذج بمجموعة جديدة من النتائج.

البارامترات:

اسم نوع وصف افتراضي
results tuple

مجموعة تحتوي على مقاييس التقييم التالية: - p (قائمة): الدقة لكل فئة. الشكل: (nc ،). - r (قائمة): استدعاء لكل فئة. الشكل: (nc ،). - F1 (قائمة): درجة F1 لكل فئة. الشكل: (nc ،). - all_ap (قائمة): درجات AP لجميع الفئات وجميع عتبات IoU. الشكل: (nc ، 10). - ap_class_index (قائمة): فهرس الفئة لكل درجة AP. الشكل: (nc ،).

مطلوب
آثار جانبية

تحديث سمات الفئة self.p, self.r, self.f1, self.all_apو self.ap_class_index استنادا الي على القيم الواردة في results المجموعه.

شفرة المصدر في ultralytics/utils/metrics.py
755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780781 782
def update(self, results):
    """
    Updates the evaluation metrics of the model with a new set of results.

    Args:
        results (tuple): A tuple containing the following evaluation metrics:
            - p (list): Precision for each class. Shape: (nc,).
            - r (list): Recall for each class. Shape: (nc,).
            - f1 (list): F1 score for each class. Shape: (nc,).
            - all_ap (list): AP scores for all classes and all IoU thresholds. Shape: (nc, 10).
            - ap_class_index (list): Index of class for each AP score. Shape: (nc,).

    Side Effects:
        Updates the class attributes `self.p`, `self.r`, `self.f1`, `self.all_ap`, and `self.ap_class_index` based
        on the values provided in the `results` tuple.
    """
    (
        self.p,
        self.r,
        self.f1,
        self.all_ap,
        self.ap_class_index,
        self.p_curve,
        self.r_curve,
        self.f1_curve,
        self.px,
        self.prec_values,
    ) = results



ultralytics.utils.metrics.DetMetrics

قواعد: SimpleClass

هذه الفئة هي فئة فائدة لمقاييس اكتشاف الحوسبة مثل الدقة والاستدعاء ومتوسط الدقة (mAP) لنموذج الكشف عن الكائنات.

البارامترات:

اسم نوع وصف افتراضي
save_dir Path

مسار إلى الدليل حيث سيتم حفظ مخططات الإخراج. الإعدادات الافتراضية للدليل الحالي.

Path('.')
plot bool

علامة تشير إلى ما إذا كان سيتم رسم منحنيات استدعاء الدقة لكل فئة. الإعدادات الافتراضية إلى خطأ.

False
on_plot func

رد اتصال اختياري لتمرير مسارات وبيانات عند عرضها. الإعدادات الافتراضية إلى لا شيء.

None
names tuple of str

مجموعة من السلاسل التي تمثل أسماء الفئات. الإعدادات الافتراضية إلى مجموعة فارغة.

()

سمات:

اسم نوع وصف
save_dir Path

مسار إلى الدليل حيث سيتم حفظ مخططات الإخراج.

plot bool

علامة تشير إلى ما إذا كان سيتم رسم منحنيات استدعاء الدقة لكل فئة.

on_plot func

رد اتصال اختياري لتمرير مسارات وبيانات عند عرضها.

names tuple of str

مجموعة من السلاسل التي تمثل أسماء الفئات.

box Metric

مثيل لفئة Metric لتخزين نتائج مقاييس الكشف.

speed dict

قاموس لتخزين وقت التنفيذ لأجزاء مختلفة من عملية الكشف.

أساليب:

اسم وصف
process

تحديث نتائج المقاييس بأحدث مجموعة من التوقعات.

keys

إرجاع قائمة بالمفاتيح للوصول إلى مقاييس الكشف المحسوبة.

mean_results

ترجع قائمة بالقيم المتوسطة لمقاييس الكشف المحسوبة.

class_result

إرجاع قائمة بالقيم لمقاييس الكشف المحسوبة لفئة معينة.

maps

إرجاع قاموس لقيم متوسط الدقة (mAP) لعتبات IoU المختلفة.

fitness

يحسب درجة اللياقة استنادا إلى مقاييس الكشف المحسوبة.

ap_class_index

إرجاع قائمة بفهارس الفئات مرتبة حسب قيم متوسط الدقة (AP) الخاصة بها.

results_dict

ترجع هذه الدالة قاموسا يقوم بتعيين مفاتيح قياس الكشف إلى قيمها المحسوبة.

curves

تودو

curves_results

تودو

شفرة المصدر في ultralytics/utils/metrics.py
800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826827828 829830831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847848 849 850 851 852 853 854 855 856 857 858859860861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889890 891 892 893 894 895 896 897 898
class DetMetrics(SimpleClass):
    """
    This class is a utility class for computing detection metrics such as precision, recall, and mean average precision
    (mAP) of an object detection model.

    Args:
        save_dir (Path): A path to the directory where the output plots will be saved. Defaults to current directory.
        plot (bool): A flag that indicates whether to plot precision-recall curves for each class. Defaults to False.
        on_plot (func): An optional callback to pass plots path and data when they are rendered. Defaults to None.
        names (tuple of str): A tuple of strings that represents the names of the classes. Defaults to an empty tuple.

    Attributes:
        save_dir (Path): A path to the directory where the output plots will be saved.
        plot (bool): A flag that indicates whether to plot the precision-recall curves for each class.
        on_plot (func): An optional callback to pass plots path and data when they are rendered.
        names (tuple of str): A tuple of strings that represents the names of the classes.
        box (Metric): An instance of the Metric class for storing the results of the detection metrics.
        speed (dict): A dictionary for storing the execution time of different parts of the detection process.

    Methods:
        process(tp, conf, pred_cls, target_cls): Updates the metric results with the latest batch of predictions.
        keys: Returns a list of keys for accessing the computed detection metrics.
        mean_results: Returns a list of mean values for the computed detection metrics.
        class_result(i): Returns a list of values for the computed detection metrics for a specific class.
        maps: Returns a dictionary of mean average precision (mAP) values for different IoU thresholds.
        fitness: Computes the fitness score based on the computed detection metrics.
        ap_class_index: Returns a list of class indices sorted by their average precision (AP) values.
        results_dict: Returns a dictionary that maps detection metric keys to their computed values.
        curves: TODO
        curves_results: TODO
    """

    def __init__(self, save_dir=Path("."), plot=False, on_plot=None, names=()) -> None:
        """Initialize a DetMetrics instance with a save directory, plot flag, callback function, and class names."""
        self.save_dir = save_dir
        self.plot = plot
        self.on_plot = on_plot
        self.names = names
        self.box = Metric()
        self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
        self.task = "detect"

    def process(self, tp, conf, pred_cls, target_cls):
        """Process predicted results for object detection and update metrics."""
        results = ap_per_class(
            tp,
            conf,
            pred_cls,
            target_cls,
            plot=self.plot,
            save_dir=self.save_dir,
            names=self.names,
            on_plot=self.on_plot,
        )[2:]
        self.box.nc = len(self.names)
        self.box.update(results)

    @property
    def keys(self):
        """Returns a list of keys for accessing specific metrics."""
        return ["metrics/precision(B)", "metrics/recall(B)", "metrics/mAP50(B)", "metrics/mAP50-95(B)"]

    def mean_results(self):
        """Calculate mean of detected objects & return precision, recall, mAP50, and mAP50-95."""
        return self.box.mean_results()

    def class_result(self, i):
        """Return the result of evaluating the performance of an object detection model on a specific class."""
        return self.box.class_result(i)

    @property
    def maps(self):
        """Returns mean Average Precision (mAP) scores per class."""
        return self.box.maps

    @property
    def fitness(self):
        """Returns the fitness of box object."""
        return self.box.fitness()

    @property
    def ap_class_index(self):
        """Returns the average precision index per class."""
        return self.box.ap_class_index

    @property
    def results_dict(self):
        """Returns dictionary of computed performance metrics and statistics."""
        return dict(zip(self.keys + ["fitness"], self.mean_results() + [self.fitness]))

    @property
    def curves(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return ["Precision-Recall(B)", "F1-Confidence(B)", "Precision-Confidence(B)", "Recall-Confidence(B)"]

    @property
    def curves_results(self):
        """Returns dictionary of computed performance metrics and statistics."""
        return self.box.curves_results

ap_class_index property

ترجع متوسط مؤشر الدقة لكل فئة.

curves property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

curves_results property

إرجاع قاموس مقاييس الأداء والإحصاءات المحسوبة.

fitness property

إرجاع ملاءمة كائن مربع.

keys property

إرجاع قائمة بالمفاتيح للوصول إلى مقاييس محددة.

maps property

تعني المرتجعات متوسط درجات الدقة (mAP) لكل فئة.

results_dict property

إرجاع قاموس مقاييس الأداء والإحصاءات المحسوبة.

__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())

قم بتهيئة مثيل DetMetrics باستخدام دليل حفظ وعلامة رسم ووظيفة رد الاتصال وأسماء الفئات.

شفرة المصدر في ultralytics/utils/metrics.py
832 833 834 835 836 837 838839 840
def __init__(self, save_dir=Path("."), plot=False, on_plot=None, names=()) -> None:
    """Initialize a DetMetrics instance with a save directory, plot flag, callback function, and class names."""
    self.save_dir = save_dir
    self.plot = plot
    self.on_plot = on_plot
    self.names = names
    self.box = Metric()
    self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
    self.task = "detect"

class_result(i)

إرجاع نتيجة تقييم أداء نموذج الكشف عن كائن على فئة معينة.

شفرة المصدر في ultralytics/utils/metrics.py
def class_result(self, i):
    """Return the result of evaluating the performance of an object detection model on a specific class."""
    return self.box.class_result(i)

mean_results()

احسب متوسط الكائنات المكتشفة ودقة الإرجاع والاستدعاء و mAP50 و mAP50-95.

شفرة المصدر في ultralytics/utils/metrics.py
def mean_results(self):
    """Calculate mean of detected objects & return precision, recall, mAP50, and mAP50-95."""
    return self.box.mean_results()

process(tp, conf, pred_cls, target_cls)

معالجة النتائج المتوقعة لاكتشاف الكائنات وتحديث المقاييس.

شفرة المصدر في ultralytics/utils/metrics.py
842 843 844 845 846 847 848849 850 851 852 853854 855
def process(self, tp, conf, pred_cls, target_cls):
    """Process predicted results for object detection and update metrics."""
    results = ap_per_class(
        tp,
        conf,
        pred_cls,
        target_cls,
        plot=self.plot,
        save_dir=self.save_dir,
        names=self.names,
        on_plot=self.on_plot,
    )[2:]
    self.box.nc = len(self.names)
    self.box.update(results)



ultralytics.utils.metrics.SegmentMetrics

قواعد: SimpleClass

يحسب ويجمع مقاييس الكشف والتجزئة عبر مجموعة معينة من الفئات.

البارامترات:

اسم نوع وصف افتراضي
save_dir Path

المسار إلى الدليل حيث يجب حفظ مؤامرات الإخراج. الافتراضي هو الدليل الحالي.

Path('.')
plot bool

ما إذا كان لحفظ مؤامرات الكشف والتجزئة. الافتراضي هو خطأ.

False
on_plot func

رد اتصال اختياري لتمرير مسارات وبيانات عند عرضها. الإعدادات الافتراضية إلى لا شيء.

None
names list

قائمة بأسماء الفئات. الافتراضي هو قائمة فارغة.

()

سمات:

اسم نوع وصف
save_dir Path

المسار إلى الدليل حيث يجب حفظ مؤامرات الإخراج.

plot bool

ما إذا كان لحفظ مؤامرات الكشف والتجزئة.

on_plot func

رد اتصال اختياري لتمرير مسارات وبيانات عند عرضها.

names list

قائمة بأسماء الفئات.

box Metric

مثيل للفئة المترية لحساب مقاييس اكتشاف المربع.

seg Metric

مثيل للفئة المترية لحساب مقاييس تجزئة القناع.

speed dict

قاموس لتخزين الوقت المستغرق في مراحل مختلفة من الاستدلال.

أساليب:

اسم وصف
process

يعالج المقاييس على مجموعة معينة من التنبؤات.

mean_results

ترجع هذه الدالة متوسط مقاييس الكشف والتجزئة على كل الفئات.

class_result

إرجاع مقاييس الكشف والتجزئة للفئة i.

maps

إرجاع متوسط درجات متوسط الدقة (mAP) لعتبات IoU التي تتراوح من 0.50 إلى 0.95.

fitness

ترجع هذه الدالة درجات اللياقة، وهي عبارة عن مجموعة مرجحة واحدة من المقاييس.

ap_class_index

ترجع قائمة بمؤشرات الفئات المستخدمة لحساب متوسط الدقة (AP).

results_dict

إرجاع القاموس الذي يحتوي على كل مقاييس الكشف والتجزئة ودرجة اللياقة.

شفرة المصدر في ultralytics/utils/metrics.py
class SegmentMetrics(SimpleClass):
    """
    Calculates and aggregates detection and segmentation metrics over a given set of classes.

    Args:
        save_dir (Path): Path to the directory where the output plots should be saved. Default is the current directory.
        plot (bool): Whether to save the detection and segmentation plots. Default is False.
        on_plot (func): An optional callback to pass plots path and data when they are rendered. Defaults to None.
        names (list): List of class names. Default is an empty list.

    Attributes:
        save_dir (Path): Path to the directory where the output plots should be saved.
        plot (bool): Whether to save the detection and segmentation plots.
        on_plot (func): An optional callback to pass plots path and data when they are rendered.
        names (list): List of class names.
        box (Metric): An instance of the Metric class to calculate box detection metrics.
        seg (Metric): An instance of the Metric class to calculate mask segmentation metrics.
        speed (dict): Dictionary to store the time taken in different phases of inference.

    Methods:
        process(tp_m, tp_b, conf, pred_cls, target_cls): Processes metrics over the given set of predictions.
        mean_results(): Returns the mean of the detection and segmentation metrics over all the classes.
        class_result(i): Returns the detection and segmentation metrics of class `i`.
        maps: Returns the mean Average Precision (mAP) scores for IoU thresholds ranging from 0.50 to 0.95.
        fitness: Returns the fitness scores, which are a single weighted combination of metrics.
        ap_class_index: Returns the list of indices of classes used to compute Average Precision (AP).
        results_dict: Returns the dictionary containing all the detection and segmentation metrics and fitness score.
    """

    def __init__(self, save_dir=Path("."), plot=False, on_plot=None, names=()) -> None:
        """Initialize a SegmentMetrics instance with a save directory, plot flag, callback function, and class names."""
        self.save_dir = save_dir
        self.plot = plot
        self.on_plot = on_plot
        self.names = names
        self.box = Metric()
        self.seg = Metric()
        self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
        self.task = "segment"

    def process(self, tp, tp_m, conf, pred_cls, target_cls):
        """
        Processes the detection and segmentation metrics over the given set of predictions.

        Args:
            tp (list): List of True Positive boxes.
            tp_m (list): List of True Positive masks.
            conf (list): List of confidence scores.
            pred_cls (list): List of predicted classes.
            target_cls (list): List of target classes.
        """

        results_mask = ap_per_class(
            tp_m,
            conf,
            pred_cls,
            target_cls,
            plot=self.plot,
            on_plot=self.on_plot,
            save_dir=self.save_dir,
            names=self.names,
            prefix="Mask",
        )[2:]
        self.seg.nc = len(self.names)
        self.seg.update(results_mask)
        results_box = ap_per_class(
            tp,
            conf,
            pred_cls,
            target_cls,
            plot=self.plot,
            on_plot=self.on_plot,
            save_dir=self.save_dir,
            names=self.names,
            prefix="Box",
        )[2:]
        self.box.nc = len(self.names)
        self.box.update(results_box)

    @property
    def keys(self):
        """Returns a list of keys for accessing metrics."""
        return [
            "metrics/precision(B)",
            "metrics/recall(B)",
            "metrics/mAP50(B)",
            "metrics/mAP50-95(B)",
            "metrics/precision(M)",
            "metrics/recall(M)",
            "metrics/mAP50(M)",
            "metrics/mAP50-95(M)",
        ]

    def mean_results(self):
        """Return the mean metrics for bounding box and segmentation results."""
        return self.box.mean_results() + self.seg.mean_results()

    def class_result(self, i):
        """Returns classification results for a specified class index."""
        return self.box.class_result(i) + self.seg.class_result(i)

    @property
    def maps(self):
        """Returns mAP scores for object detection and semantic segmentation models."""
        return self.box.maps + self.seg.maps

    @property
    def fitness(self):
        """Get the fitness score for both segmentation and bounding box models."""
        return self.seg.fitness() + self.box.fitness()

    @property
    def ap_class_index(self):
        """Boxes and masks have the same ap_class_index."""
        return self.box.ap_class_index

    @property
    def results_dict(self):
        """Returns results of object detection model for evaluation."""
        return dict(zip(self.keys + ["fitness"], self.mean_results() + [self.fitness]))

    @property
    def curves(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return [
            "Precision-Recall(B)",
            "F1-Confidence(B)",
            "Precision-Confidence(B)",
            "Recall-Confidence(B)",
            "Precision-Recall(M)",
            "F1-Confidence(M)",
            "Precision-Confidence(M)",
            "Recall-Confidence(M)",
        ]

    @property
    def curves_results(self):
        """Returns dictionary of computed performance metrics and statistics."""
        return self.box.curves_results + self.seg.curves_results

ap_class_index property

الصناديق والأقنعة لها نفس ap_class_index.

curves property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

curves_results property

إرجاع قاموس مقاييس الأداء والإحصاءات المحسوبة.

fitness property

احصل على درجة اللياقة البدنية لكل من نماذج التجزئة والمربع المحيط.

keys property

إرجاع قائمة بالمفاتيح للوصول إلى المقاييس.

maps property

إرجاع درجات mAP لاكتشاف الكائنات ونماذج التجزئة الدلالية.

results_dict property

إرجاع نتائج نموذج الكشف عن الكائنات للتقييم.

__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())

قم بتهيئة مثيل SegmentMetrics باستخدام دليل حفظ وعلامة رسم ووظيفة رد الاتصال وأسماء الفئات.

شفرة المصدر في ultralytics/utils/metrics.py
930 931 932 933 934 935 936 937 938 939
def __init__(self, save_dir=Path("."), plot=False, on_plot=None, names=()) -> None:
    """Initialize a SegmentMetrics instance with a save directory, plot flag, callback function, and class names."""
    self.save_dir = save_dir
    self.plot = plot
    self.on_plot = on_plot
    self.names = names
    self.box = Metric()
    self.seg = Metric()
    self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
    self.task = "segment"

class_result(i)

إرجاع نتائج التصنيف لفهرس فئة محدد.

شفرة المصدر في ultralytics/utils/metrics.py
def class_result(self, i):
    """Returns classification results for a specified class index."""
    return self.box.class_result(i) + self.seg.class_result(i)

mean_results()

إرجاع مقاييس المتوسط للمربع المحيط ونتائج التجزئة.

شفرة المصدر في ultralytics/utils/metrics.py
def mean_results(self):
    """Return the mean metrics for bounding box and segmentation results."""
    return self.box.mean_results() + self.seg.mean_results()

process(tp, tp_m, conf, pred_cls, target_cls)

يعالج مقاييس الكشف والتجزئة على مجموعة معينة من التنبؤات.

البارامترات:

اسم نوع وصف افتراضي
tp list

قائمة مربعات إيجابية حقيقية.

مطلوب
tp_m list

قائمة الأقنعة الإيجابية الحقيقية.

مطلوب
conf list

قائمة درجات الثقة.

مطلوب
pred_cls list

قائمة الفئات المتوقعة.

مطلوب
target_cls list

قائمة الفئات المستهدفة.

مطلوب
شفرة المصدر في ultralytics/utils/metrics.py
941 942 943 944 945 946 947 948949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966967 968 969 970 971972973 974 975 976 977 978
def process(self, tp, tp_m, conf, pred_cls, target_cls):
    """
    Processes the detection and segmentation metrics over the given set of predictions.

    Args:
        tp (list): List of True Positive boxes.
        tp_m (list): List of True Positive masks.
        conf (list): List of confidence scores.
        pred_cls (list): List of predicted classes.
        target_cls (list): List of target classes.
    """

    results_mask = ap_per_class(
        tp_m,
        conf,
        pred_cls,
        target_cls,
        plot=self.plot,
        on_plot=self.on_plot,
        save_dir=self.save_dir,
        names=self.names,
        prefix="Mask",
    )[2:]
    self.seg.nc = len(self.names)
    self.seg.update(results_mask)
    results_box = ap_per_class(
        tp,
        conf,
        pred_cls,
        target_cls,
        plot=self.plot,
        on_plot=self.on_plot,
        save_dir=self.save_dir,
        names=self.names,
        prefix="Box",
    )[2:]
    self.box.nc = len(self.names)
    self.box.update(results_box)



ultralytics.utils.metrics.PoseMetrics

قواعد: SegmentMetrics

يحسب ويجمع الاكتشاف ويطرح المقاييس على مجموعة معينة من الفئات.

البارامترات:

اسم نوع وصف افتراضي
save_dir Path

المسار إلى الدليل حيث يجب حفظ مؤامرات الإخراج. الافتراضي هو الدليل الحالي.

Path('.')
plot bool

ما إذا كان لحفظ مؤامرات الكشف والتجزئة. الافتراضي هو خطأ.

False
on_plot func

رد اتصال اختياري لتمرير مسارات وبيانات عند عرضها. الإعدادات الافتراضية إلى لا شيء.

None
names list

قائمة بأسماء الفئات. الافتراضي هو قائمة فارغة.

()

سمات:

اسم نوع وصف
save_dir Path

المسار إلى الدليل حيث يجب حفظ مؤامرات الإخراج.

plot bool

ما إذا كان لحفظ مؤامرات الكشف والتجزئة.

on_plot func

رد اتصال اختياري لتمرير مسارات وبيانات عند عرضها.

names list

قائمة بأسماء الفئات.

box Metric

مثيل للفئة المترية لحساب مقاييس اكتشاف المربع.

pose Metric

مثيل للفئة المترية لحساب مقاييس تجزئة القناع.

speed dict

قاموس لتخزين الوقت المستغرق في مراحل مختلفة من الاستدلال.

أساليب:

اسم وصف
process

يعالج المقاييس على مجموعة معينة من التنبؤات.

mean_results

ترجع هذه الدالة متوسط مقاييس الكشف والتجزئة على كل الفئات.

class_result

إرجاع مقاييس الكشف والتجزئة للفئة i.

maps

إرجاع متوسط درجات متوسط الدقة (mAP) لعتبات IoU التي تتراوح من 0.50 إلى 0.95.

fitness

ترجع هذه الدالة درجات اللياقة، وهي عبارة عن مجموعة مرجحة واحدة من المقاييس.

ap_class_index

ترجع قائمة بمؤشرات الفئات المستخدمة لحساب متوسط الدقة (AP).

results_dict

إرجاع القاموس الذي يحتوي على كل مقاييس الكشف والتجزئة ودرجة اللياقة.

شفرة المصدر في ultralytics/utils/metrics.py
class PoseMetrics(SegmentMetrics):
    """
    Calculates and aggregates detection and pose metrics over a given set of classes.

    Args:
        save_dir (Path): Path to the directory where the output plots should be saved. Default is the current directory.
        plot (bool): Whether to save the detection and segmentation plots. Default is False.
        on_plot (func): An optional callback to pass plots path and data when they are rendered. Defaults to None.
        names (list): List of class names. Default is an empty list.

    Attributes:
        save_dir (Path): Path to the directory where the output plots should be saved.
        plot (bool): Whether to save the detection and segmentation plots.
        on_plot (func): An optional callback to pass plots path and data when they are rendered.
        names (list): List of class names.
        box (Metric): An instance of the Metric class to calculate box detection metrics.
        pose (Metric): An instance of the Metric class to calculate mask segmentation metrics.
        speed (dict): Dictionary to store the time taken in different phases of inference.

    Methods:
        process(tp_m, tp_b, conf, pred_cls, target_cls): Processes metrics over the given set of predictions.
        mean_results(): Returns the mean of the detection and segmentation metrics over all the classes.
        class_result(i): Returns the detection and segmentation metrics of class `i`.
        maps: Returns the mean Average Precision (mAP) scores for IoU thresholds ranging from 0.50 to 0.95.
        fitness: Returns the fitness scores, which are a single weighted combination of metrics.
        ap_class_index: Returns the list of indices of classes used to compute Average Precision (AP).
        results_dict: Returns the dictionary containing all the detection and segmentation metrics and fitness score.
    """

    def __init__(self, save_dir=Path("."), plot=False, on_plot=None, names=()) -> None:
        """Initialize the PoseMetrics class with directory path, class names, and plotting options."""
        super().__init__(save_dir, plot, names)
        self.save_dir = save_dir
        self.plot = plot
        self.on_plot = on_plot
        self.names = names
        self.box = Metric()
        self.pose = Metric()
        self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
        self.task = "pose"

    def process(self, tp, tp_p, conf, pred_cls, target_cls):
        """
        Processes the detection and pose metrics over the given set of predictions.

        Args:
            tp (list): List of True Positive boxes.
            tp_p (list): List of True Positive keypoints.
            conf (list): List of confidence scores.
            pred_cls (list): List of predicted classes.
            target_cls (list): List of target classes.
        """

        results_pose = ap_per_class(
            tp_p,
            conf,
            pred_cls,
            target_cls,
            plot=self.plot,
            on_plot=self.on_plot,
            save_dir=self.save_dir,
            names=self.names,
            prefix="Pose",
        )[2:]
        self.pose.nc = len(self.names)
        self.pose.update(results_pose)
        results_box = ap_per_class(
            tp,
            conf,
            pred_cls,
            target_cls,
            plot=self.plot,
            on_plot=self.on_plot,
            save_dir=self.save_dir,
            names=self.names,
            prefix="Box",
        )[2:]
        self.box.nc = len(self.names)
        self.box.update(results_box)

    @property
    def keys(self):
        """Returns list of evaluation metric keys."""
        return [
            "metrics/precision(B)",
            "metrics/recall(B)",
            "metrics/mAP50(B)",
            "metrics/mAP50-95(B)",
            "metrics/precision(P)",
            "metrics/recall(P)",
            "metrics/mAP50(P)",
            "metrics/mAP50-95(P)",
        ]

    def mean_results(self):
        """Return the mean results of box and pose."""
        return self.box.mean_results() + self.pose.mean_results()

    def class_result(self, i):
        """Return the class-wise detection results for a specific class i."""
        return self.box.class_result(i) + self.pose.class_result(i)

    @property
    def maps(self):
        """Returns the mean average precision (mAP) per class for both box and pose detections."""
        return self.box.maps + self.pose.maps

    @property
    def fitness(self):
        """Computes classification metrics and speed using the `targets` and `pred` inputs."""
        return self.pose.fitness() + self.box.fitness()

    @property
    def curves(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return [
            "Precision-Recall(B)",
            "F1-Confidence(B)",
            "Precision-Confidence(B)",
            "Recall-Confidence(B)",
            "Precision-Recall(P)",
            "F1-Confidence(P)",
            "Precision-Confidence(P)",
            "Recall-Confidence(P)",
        ]

    @property
    def curves_results(self):
        """Returns dictionary of computed performance metrics and statistics."""
        return self.box.curves_results + self.pose.curves_results

curves property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

curves_results property

إرجاع قاموس مقاييس الأداء والإحصاءات المحسوبة.

fitness property

يحسب مقاييس التصنيف والسرعة باستخدام targets و pred المدخلات.

keys property

إرجاع قائمة مفاتيح مقياس التقييم.

maps property

ترجع متوسط متوسط الدقة (mAP) لكل فئة لكل من اكتشافات الصندوق والوضع.

__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())

قم بتهيئة فئة PoseMetrics باستخدام مسار الدليل وأسماء الفئات وخيارات التخطيط.

شفرة المصدر في ultralytics/utils/metrics.py
1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 
def __init__(self, save_dir=Path("."), plot=False, on_plot=None, names=()) -> None:
    """Initialize the PoseMetrics class with directory path, class names, and plotting options."""
    super().__init__(save_dir, plot, names)
    self.save_dir = save_dir
    self.plot = plot
    self.on_plot = on_plot
    self.names = names
    self.box = Metric()
    self.pose = Metric()
    self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
    self.task = "pose"

class_result(i)

إرجاع نتائج الكشف حسب الفئة لفئة i معينة.

شفرة المصدر في ultralytics/utils/metrics.py
1140 1141 1142
def class_result(self, i):
    """Return the class-wise detection results for a specific class i."""
    return self.box.class_result(i) + self.pose.class_result(i)

mean_results()

إرجاع متوسط نتائج المربع والوضع.

شفرة المصدر في ultralytics/utils/metrics.py
1136 1137 1138
def mean_results(self):
    """Return the mean results of box and pose."""
    return self.box.mean_results() + self.pose.mean_results()

process(tp, tp_p, conf, pred_cls, target_cls)

يعالج الاكتشاف ويطرح المقاييس على مجموعة معينة من التنبؤات.

البارامترات:

اسم نوع وصف افتراضي
tp list

قائمة مربعات إيجابية حقيقية.

مطلوب
tp_p list

قائمة النقاط الرئيسية الإيجابية الحقيقية.

مطلوب
conf list

قائمة درجات الثقة.

مطلوب
pred_cls list

قائمة الفئات المتوقعة.

مطلوب
target_cls list

قائمة الفئات المستهدفة.

مطلوب
شفرة المصدر في ultralytics/utils/metrics.py
1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 11101111 1112 1113 1114 1115 1116 1117 1118 1119 1120
def process(self, tp, tp_p, conf, pred_cls, target_cls):
    """
    Processes the detection and pose metrics over the given set of predictions.

    Args:
        tp (list): List of True Positive boxes.
        tp_p (list): List of True Positive keypoints.
        conf (list): List of confidence scores.
        pred_cls (list): List of predicted classes.
        target_cls (list): List of target classes.
    """

    results_pose = ap_per_class(
        tp_p,
        conf,
        pred_cls,
        target_cls,
        plot=self.plot,
        on_plot=self.on_plot,
        save_dir=self.save_dir,
        names=self.names,
        prefix="Pose",
    )[2:]
    self.pose.nc = len(self.names)
    self.pose.update(results_pose)
    results_box = ap_per_class(
        tp,
        conf,
        pred_cls,
        target_cls,
        plot=self.plot,
        on_plot=self.on_plot,
        save_dir=self.save_dir,
        names=self.names,
        prefix="Box",
    )[2:]
    self.box.nc = len(self.names)
    self.box.update(results_box)



ultralytics.utils.metrics.ClassifyMetrics

قواعد: SimpleClass

فئة لمقاييس تصنيف الحوسبة بما في ذلك دقة top-1 و top-5.

سمات:

اسم نوع وصف
top1 float

دقة أعلى 1.

top5 float

دقة أعلى 5.

speed Dict[str, float]

قاموس يحتوي على الوقت المستغرق لكل خطوة في خط الأنابيب.

خصائص

اللياقة البدنية (تعويم): لياقة النموذج ، والتي تساوي دقة أعلى 5. results_dict (Dict[str, Union[float, str]]): قاموس يحتوي على مقاييس التصنيف واللياقة. المفاتيح (List[str]): قائمة بمفاتيح results_dict.

أساليب:

اسم وصف
process

يعالج الأهداف والتنبؤات لحساب مقاييس التصنيف.

شفرة المصدر في ultralytics/utils/metrics.py
1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229
class ClassifyMetrics(SimpleClass):
    """
    Class for computing classification metrics including top-1 and top-5 accuracy.

    Attributes:
        top1 (float): The top-1 accuracy.
        top5 (float): The top-5 accuracy.
        speed (Dict[str, float]): A dictionary containing the time taken for each step in the pipeline.

    Properties:
        fitness (float): The fitness of the model, which is equal to top-5 accuracy.
        results_dict (Dict[str, Union[float, str]]): A dictionary containing the classification metrics and fitness.
        keys (List[str]): A list of keys for the results_dict.

    Methods:
        process(targets, pred): Processes the targets and predictions to compute classification metrics.
    """

    def __init__(self) -> None:
        """Initialize a ClassifyMetrics instance."""
        self.top1 = 0
        self.top5 = 0
        self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
        self.task = "classify"

    def process(self, targets, pred):
        """Target classes and predicted classes."""
        pred, targets = torch.cat(pred), torch.cat(targets)
        correct = (targets[:, None] == pred).float()
        acc = torch.stack((correct[:, 0], correct.max(1).values), dim=1)  # (top1, top5) accuracy
        self.top1, self.top5 = acc.mean(0).tolist()

    @property
    def fitness(self):
        """Returns mean of top-1 and top-5 accuracies as fitness score."""
        return (self.top1 + self.top5) / 2

    @property
    def results_dict(self):
        """Returns a dictionary with model's performance metrics and fitness score."""
        return dict(zip(self.keys + ["fitness"], [self.top1, self.top5, self.fitness]))

    @property
    def keys(self):
        """Returns a list of keys for the results_dict property."""
        return ["metrics/accuracy_top1", "metrics/accuracy_top5"]

    @property
    def curves(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return []

    @property
    def curves_results(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return []

curves property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

curves_results property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

fitness property

إرجاع متوسط دقة أعلى 1 وأعلى 5 كدرجة لياقة.

keys property

إرجاع قائمة بالمفاتيح لموقع results_dict.

results_dict property

إرجاع قاموس يحتوي على مقاييس أداء النموذج ودرجة اللياقة البدنية.

__init__()

تهيئة مثيل ClassifyMetrics.

شفرة المصدر في ultralytics/utils/metrics.py
1192 1193 1194 1195 1196 1197
def __init__(self) -> None:
    """Initialize a ClassifyMetrics instance."""
    self.top1 = 0
    self.top5 = 0
    self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}
    self.task = "classify"

process(targets, pred)

الفئات المستهدفة والفصول المتوقعة.

شفرة المصدر في ultralytics/utils/metrics.py
1199 1200 1201 1202 1203 1204
def process(self, targets, pred):
    """Target classes and predicted classes."""
    pred, targets = torch.cat(pred), torch.cat(targets)
    correct = (targets[:, None] == pred).float()
    acc = torch.stack((correct[:, 0], correct.max(1).values), dim=1)  # (top1, top5) accuracy
    self.top1, self.top5 = acc.mean(0).tolist()



ultralytics.utils.metrics.OBBMetrics

قواعد: SimpleClass

شفرة المصدر في ultralytics/utils/metrics.py
1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 12901291 1292 1293 1294 1295 1296 1297
class OBBMetrics(SimpleClass):
    def __init__(self, save_dir=Path("."), plot=False, on_plot=None, names=()) -> None:
        self.save_dir = save_dir
        self.plot = plot
        self.on_plot = on_plot
        self.names = names
        self.box = Metric()
        self.speed = {"preprocess": 0.0, "inference": 0.0, "loss": 0.0, "postprocess": 0.0}

    def process(self, tp, conf, pred_cls, target_cls):
        """Process predicted results for object detection and update metrics."""
        results = ap_per_class(
            tp,
            conf,
            pred_cls,
            target_cls,
            plot=self.plot,
            save_dir=self.save_dir,
            names=self.names,
            on_plot=self.on_plot,
        )[2:]
        self.box.nc = len(self.names)
        self.box.update(results)

    @property
    def keys(self):
        """Returns a list of keys for accessing specific metrics."""
        return ["metrics/precision(B)", "metrics/recall(B)", "metrics/mAP50(B)", "metrics/mAP50-95(B)"]

    def mean_results(self):
        """Calculate mean of detected objects & return precision, recall, mAP50, and mAP50-95."""
        return self.box.mean_results()

    def class_result(self, i):
        """Return the result of evaluating the performance of an object detection model on a specific class."""
        return self.box.class_result(i)

    @property
    def maps(self):
        """Returns mean Average Precision (mAP) scores per class."""
        return self.box.maps

    @property
    def fitness(self):
        """Returns the fitness of box object."""
        return self.box.fitness()

    @property
    def ap_class_index(self):
        """Returns the average precision index per class."""
        return self.box.ap_class_index

    @property
    def results_dict(self):
        """Returns dictionary of computed performance metrics and statistics."""
        return dict(zip(self.keys + ["fitness"], self.mean_results() + [self.fitness]))

    @property
    def curves(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return []

    @property
    def curves_results(self):
        """Returns a list of curves for accessing specific metrics curves."""
        return []

ap_class_index property

ترجع متوسط مؤشر الدقة لكل فئة.

curves property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

curves_results property

إرجاع قائمة بالمنحنيات للوصول إلى منحنيات مقاييس محددة.

fitness property

إرجاع ملاءمة كائن مربع.

keys property

إرجاع قائمة بالمفاتيح للوصول إلى مقاييس محددة.

maps property

تعني المرتجعات متوسط درجات الدقة (mAP) لكل فئة.

results_dict property

إرجاع قاموس مقاييس الأداء والإحصاءات المحسوبة.

class_result(i)

إرجاع نتيجة تقييم أداء نموذج الكشف عن كائن على فئة معينة.

شفرة المصدر في ultralytics/utils/metrics.py
1265 1266 1267
def class_result(self, i):
    """Return the result of evaluating the performance of an object detection model on a specific class."""
    return self.box.class_result(i)

mean_results()

احسب متوسط الكائنات المكتشفة ودقة الإرجاع والاستدعاء و mAP50 و mAP50-95.

شفرة المصدر في ultralytics/utils/metrics.py
1261 1262 1263
def mean_results(self):
    """Calculate mean of detected objects & return precision, recall, mAP50, and mAP50-95."""
    return self.box.mean_results()

process(tp, conf, pred_cls, target_cls)

معالجة النتائج المتوقعة لاكتشاف الكائنات وتحديث المقاييس.

شفرة المصدر في ultralytics/utils/metrics.py
1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254
def process(self, tp, conf, pred_cls, target_cls):
    """Process predicted results for object detection and update metrics."""
    results = ap_per_class(
        tp,
        conf,
        pred_cls,
        target_cls,
        plot=self.plot,
        save_dir=self.save_dir,
        names=self.names,
        on_plot=self.on_plot,
    )[2:]
    self.box.nc = len(self.names)
    self.box.update(results)



ultralytics.utils.metrics.bbox_ioa(box1, box2, iou=False, eps=1e-07)

احسب التقاطع على مساحة المربع 2 بمعلومية المربع 1 والمربع 2. المربعات بتنسيق x1y1x2y2.

البارامترات:

اسم نوع وصف افتراضي
box1 ndarray

مصفوفة من الشكل (n ، 4) تمثل n المربعات المحيطة.

مطلوب
box2 ndarray

مصفوفة من الأشكال (م ، 4) تمثل المربعات المحيطة m.

مطلوب
iou bool

احسب iou القياسي إذا كان True آخر يرجع inter_area/box2_area.

False
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-7.

1e-07

ارجاع:

نوع وصف
ndarray

مصفوفة من الأشكال (n ، m) تمثل التقاطع فوق منطقة box2.

شفرة المصدر في ultralytics/utils/metrics.py
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41424344454647484950
def bbox_ioa(box1, box2, iou=False, eps=1e-7):
    """
    Calculate the intersection over box2 area given box1 and box2. Boxes are in x1y1x2y2 format.

    Args:
        box1 (np.ndarray): A numpy array of shape (n, 4) representing n bounding boxes.
        box2 (np.ndarray): A numpy array of shape (m, 4) representing m bounding boxes.
        iou (bool): Calculate the standard iou if True else return inter_area/box2_area.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-7.

    Returns:
        (np.ndarray): A numpy array of shape (n, m) representing the intersection over box2 area.
    """

    # Get the coordinates of bounding boxes
    b1_x1, b1_y1, b1_x2, b1_y2 = box1.T
    b2_x1, b2_y1, b2_x2, b2_y2 = box2.T

    # Intersection area
    inter_area = (np.minimum(b1_x2[:, None], b2_x2) - np.maximum(b1_x1[:, None], b2_x1)).clip(0) * (
        np.minimum(b1_y2[:, None], b2_y2) - np.maximum(b1_y1[:, None], b2_y1)
    ).clip(0)

    # Box2 area
    area = (b2_x2 - b2_x1) * (b2_y2 - b2_y1)
    if iou:
        box1_area = (b1_x2 - b1_x1) * (b1_y2 - b1_y1)
        area = area + box1_area[:, None] - inter_area

    # Intersection over box2 area
    return inter_area / (area + eps)



ultralytics.utils.metrics.box_iou(box1, box2, eps=1e-07)

احسب التقاطع عبر الاتحاد (IoU) للصناديق. من المتوقع أن تكون كلتا المجموعتين من الصناديق بتنسيق (x1 ، y1 ، x2 ، y2). تقييم/تقييمات https://github.com/pytorch/ الرؤية / النقطة / سيد / torchvision / مكتب خدمات المشاريع / مربعات.py

البارامترات:

اسم نوع وصف افتراضي
box1 Tensor

A tensor من الشكل (N ، 4) يمثل المربعات المحيطة N.

مطلوب
box2 Tensor

A tensor من الشكل (M ، 4) يمثل المربعات المحيطة M.

مطلوب
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-7.

1e-07

ارجاع:

نوع وصف
Tensor

إن إكس إم tensor تحتوي على قيم IoU الزوجية لكل عنصر في المربع 1 والمربع 2.

شفرة المصدر في ultralytics/utils/metrics.py
53 54 55 56 57 58 5960 61 62 636465 666768697071 72
def box_iou(box1, box2, eps=1e-7):
    """
    Calculate intersection-over-union (IoU) of boxes. Both sets of boxes are expected to be in (x1, y1, x2, y2) format.
    Based on https://github.com/pytorch/vision/blob/master/torchvision/ops/boxes.py

    Args:
        box1 (torch.Tensor): A tensor of shape (N, 4) representing N bounding boxes.
        box2 (torch.Tensor): A tensor of shape (M, 4) representing M bounding boxes.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-7.

    Returns:
        (torch.Tensor): An NxM tensor containing the pairwise IoU values for every element in box1 and box2.
    """

    # inter(N,M) = (rb(N,M,2) - lt(N,M,2)).clamp(0).prod(2)
    (a1, a2), (b1, b2) = box1.unsqueeze(1).chunk(2, 2), box2.unsqueeze(0).chunk(2, 2)
    inter = (torch.min(a2, b2) - torch.max(a1, b1)).clamp_(0).prod(2)

    # IoU = inter / (area1 + area2 - inter)
    return inter / ((a2 - a1).prod(2) + (b2 - b1).prod(2) - inter + eps)



ultralytics.utils.metrics.bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-07)

احسب التقاطع عبر الاتحاد (IoU) من المربع 1 (1 ، 4) إلى المربع 2 (n ، 4).

البارامترات:

اسم نوع وصف افتراضي
box1 Tensor

A tensor يمثل مربعا محيطا واحدا بالشكل (1 ، 4).

مطلوب
box2 Tensor

A tensor تمثل n مربعات محيطة بالشكل (n ، 4).

مطلوب
xywh bool

إذا كان True ، تكون مربعات الإدخال بتنسيق (x ، y ، w ، h). إذا كانت False ، فستكون مربعات الإدخال في (x1 ، y1 ، x2 ، y2) تنسيق. الإعدادات الافتراضية إلى صواب.

True
GIoU bool

إذا كان هذا صحيحا ، فاحسب IoU المعمم. الإعدادات الافتراضية إلى خطأ.

False
DIoU bool

إذا كان هذا صحيحا ، فاحسب المسافة IoU. الإعدادات الافتراضية إلى خطأ.

False
CIoU bool

إذا كان هذا صحيحا ، فاحسب IoU الكامل. الإعدادات الافتراضية إلى خطأ.

False
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-7.

1e-07

ارجاع:

نوع وصف
Tensor

قيم IoU أو GIoU أو DIoU أو CIoU اعتمادا على العلامات المحددة.

شفرة المصدر في ultralytics/utils/metrics.py
75 76 77 78 79 80 81  82 83 84 85 86 87 88  89 90 91 92 93 94 95 96 97   98  99 100   101  102 103 104  105   106 107     108    109 110 111 112 113 114 115 116 117 118119 120 121 122 123 124 125 126127128 129
def bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-7):
    """
    Calculate Intersection over Union (IoU) of box1(1, 4) to box2(n, 4).

    Args:
        box1 (torch.Tensor): A tensor representing a single bounding box with shape (1, 4).
        box2 (torch.Tensor): A tensor representing n bounding boxes with shape (n, 4).
        xywh (bool, optional): If True, input boxes are in (x, y, w, h) format. If False, input boxes are in
                               (x1, y1, x2, y2) format. Defaults to True.
        GIoU (bool, optional): If True, calculate Generalized IoU. Defaults to False.
        DIoU (bool, optional): If True, calculate Distance IoU. Defaults to False.
        CIoU (bool, optional): If True, calculate Complete IoU. Defaults to False.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-7.

    Returns:
        (torch.Tensor): IoU, GIoU, DIoU, or CIoU values depending on the specified flags.
    """

    # Get the coordinates of bounding boxes
    if xywh:  # transform from xywh to xyxy
        (x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
        w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
        b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
        b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_
    else:  # x1, y1, x2, y2 = box1
        b1_x1, b1_y1, b1_x2, b1_y2 = box1.chunk(4, -1)
        b2_x1, b2_y1, b2_x2, b2_y2 = box2.chunk(4, -1)
        w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 + eps
        w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 + eps

    # Intersection area
    inter = (b1_x2.minimum(b2_x2) - b1_x1.maximum(b2_x1)).clamp_(0) * (
        b1_y2.minimum(b2_y2) - b1_y1.maximum(b2_y1)
    ).clamp_(0)

    # Union Area
    union = w1 * h1 + w2 * h2 - inter + eps

    # IoU
    iou = inter / union
    if CIoU or DIoU or GIoU:
        cw = b1_x2.maximum(b2_x2) - b1_x1.minimum(b2_x1)  # convex (smallest enclosing box) width
        ch = b1_y2.maximum(b2_y2) - b1_y1.minimum(b2_y1)  # convex height
        if CIoU or DIoU:  # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1
            c2 = cw**2 + ch**2 + eps  # convex diagonal squared
            rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # center dist ** 2
            if CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47
                v = (4 / math.pi**2) * (torch.atan(w2 / h2) - torch.atan(w1 / h1)).pow(2)
                with torch.no_grad():
                    alpha = v / (v - iou + (1 + eps))
                return iou - (rho2 / c2 + v * alpha)  # CIoU
            return iou - rho2 / c2  # DIoU
        c_area = cw * ch + eps  # convex area
        return iou - (c_area - union) / c_area  # GIoU https://arxiv.org/pdf/1902.09630.pdf
    return iou  # IoU



ultralytics.utils.metrics.mask_iou(mask1, mask2, eps=1e-07)

حساب أقنعة IoU.

البارامترات:

اسم نوع وصف افتراضي
mask1 Tensor

A tensor من الشكل (N ، n) حيث N هو عدد كائنات الحقيقة الأرضية و n هو نتاج عرض الصورة وارتفاعها.

مطلوب
mask2 Tensor

A tensor من الشكل (M ، n) حيث M هو عدد الكائنات المتوقعة و n هو نتاج عرض الصورة وارتفاعها.

مطلوب
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-7.

1e-07

ارجاع:

نوع وصف
Tensor

A tensor من الشكل (N ، M) يمثل أقنعة IoU.

شفرة المصدر في ultralytics/utils/metrics.py
132 133 134 135 136 137 138 139 140 141 142 143 144 145146147 148
def mask_iou(mask1, mask2, eps=1e-7):
    """
    Calculate masks IoU.

    Args:
        mask1 (torch.Tensor): A tensor of shape (N, n) where N is the number of ground truth objects and n is the
                        product of image width and height.
        mask2 (torch.Tensor): A tensor of shape (M, n) where M is the number of predicted objects and n is the
                        product of image width and height.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-7.

    Returns:
        (torch.Tensor): A tensor of shape (N, M) representing masks IoU.
    """
    intersection = torch.matmul(mask1, mask2.T).clamp_(0)
    union = (mask1.sum(1)[:, None] + mask2.sum(1)[None]) - intersection  # (area1 + area2) - intersection
    return intersection / (union + eps)



ultralytics.utils.metrics.kpt_iou(kpt1, kpt2, area, sigma, eps=1e-07)

حساب تشابه نقطة مفتاح الكائن (OKS).

البارامترات:

اسم نوع وصف افتراضي
kpt1 Tensor

A tensor من الشكل (N ، 17 ، 3) يمثل النقاط الرئيسية للحقيقة الأرضية.

مطلوب
kpt2 Tensor

A tensor الشكل (M ، 17 ، 3) يمثل النقاط الرئيسية المتوقعة.

مطلوب
area Tensor

A tensor من الشكل (N) يمثل مناطق من الحقيقة الأرضية.

مطلوب
sigma list

قائمة تحتوي على 17 قيمة تمثل مقاييس النقاط الرئيسية.

مطلوب
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-7.

1e-07

ارجاع:

نوع وصف
Tensor

A tensor من الشكل (N ، M) يمثل أوجه التشابه بين النقاط الرئيسية.

شفرة المصدر في ultralytics/utils/metrics.py
151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166167 168 169 170
def kpt_iou(kpt1, kpt2, area, sigma, eps=1e-7):
    """
    Calculate Object Keypoint Similarity (OKS).

    Args:
        kpt1 (torch.Tensor): A tensor of shape (N, 17, 3) representing ground truth keypoints.
        kpt2 (torch.Tensor): A tensor of shape (M, 17, 3) representing predicted keypoints.
        area (torch.Tensor): A tensor of shape (N,) representing areas from ground truth.
        sigma (list): A list containing 17 values representing keypoint scales.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-7.

    Returns:
        (torch.Tensor): A tensor of shape (N, M) representing keypoint similarities.
    """
    d = (kpt1[:, None, :, 0] - kpt2[..., 0]) ** 2 + (kpt1[:, None, :, 1] - kpt2[..., 1]) ** 2  # (N, M, 17)
    sigma = torch.tensor(sigma, device=kpt1.device, dtype=kpt1.dtype)  # (17, )
    kpt_mask = kpt1[..., 2] != 0  # (N, 17)
    e = d / (2 * sigma) ** 2 / (area[:, None, None] + eps) / 2  # from cocoeval
    # e = d / ((area[None, :, None] + eps) * sigma) ** 2 / 2  # from formula
    return (torch.exp(-e) * kpt_mask[:, None]).sum(-1) / (kpt_mask.sum(-1)[:, None] + eps)



ultralytics.utils.metrics._get_covariance_matrix(boxes)

توليد مصفوفة التغاير من obbs.

البارامترات:

اسم نوع وصف افتراضي
boxes Tensor

A tensor من الشكل (N ، 5) يمثل المربعات المحيطة المستديرة ، بتنسيق xywhr.

مطلوب

ارجاع:

نوع وصف
Tensor

التباين المشترك metrixs المقابلة للمربعات المحيطة الأصلية التي تم تدويرها.

شفرة المصدر في ultralytics/utils/metrics.py
173 174 175 176 177 178 179 180 181 182 183 184 185 186 187188189 190
def _get_covariance_matrix(boxes):
    """
    Generating covariance matrix from obbs.

    Args:
        boxes (torch.Tensor): A tensor of shape (N, 5) representing rotated bounding boxes, with xywhr format.

    Returns:
        (torch.Tensor): Covariance metrixs corresponding to original rotated bounding boxes.
    """
    # Gaussian bounding boxes, ignore the center points (the first two columns) because they are not needed here.
    gbbs = torch.cat((torch.pow(boxes[:, 2:4], 2) / 12, boxes[:, 4:]), dim=-1)
    a, b, c = gbbs.split(1, dim=-1)
    return (
        a * torch.cos(c) ** 2 + b * torch.sin(c) ** 2,
        a * torch.sin(c) ** 2 + b * torch.cos(c) ** 2,
        a * torch.cos(c) * torch.sin(c) - b * torch.sin(c) * torch.cos(c),
    )



ultralytics.utils.metrics.probiou(obb1, obb2, CIoU=False, eps=1e-07)

احسب prob iou بين المربعات المحيطة الموجهة ، https://arxiv.org/pdf/2106.06072v1.pdf.

البارامترات:

اسم نوع وصف افتراضي
obb1 Tensor

A tensor من الشكل (N ، 5) يمثل obbs الحقيقة الأرضية ، مع تنسيق xywhr.

مطلوب
obb2 Tensor

A tensor من الشكل (N ، 5) يمثل obbs المتوقعة ، مع تنسيق xywhr.

مطلوب
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-7.

1e-07

ارجاع:

نوع وصف
Tensor

A tensor من الشكل (N ، ) يمثل أوجه التشابه obb.

شفرة المصدر في ultralytics/utils/metrics.py
193 194 195 196 197 198 199 200 201 202 203 204 205 206 207208209 210 211 212 213 214 215 216 217 218219 220 221 222 223224225 226 227 228 229 230 231 232 233 234
def probiou(obb1, obb2, CIoU=False, eps=1e-7):
    """
    Calculate the prob iou between oriented bounding boxes, https://arxiv.org/pdf/2106.06072v1.pdf.

    Args:
        obb1 (torch.Tensor): A tensor of shape (N, 5) representing ground truth obbs, with xywhr format.
        obb2 (torch.Tensor): A tensor of shape (N, 5) representing predicted obbs, with xywhr format.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-7.

    Returns:
        (torch.Tensor): A tensor of shape (N, ) representing obb similarities.
    """
    x1, y1 = obb1[..., :2].split(1, dim=-1)
    x2, y2 = obb2[..., :2].split(1, dim=-1)
    a1, b1, c1 = _get_covariance_matrix(obb1)
    a2, b2, c2 = _get_covariance_matrix(obb2)

    t1 = (
        ((a1 + a2) * (torch.pow(y1 - y2, 2)) + (b1 + b2) * (torch.pow(x1 - x2, 2)))
        / ((a1 + a2) * (b1 + b2) - (torch.pow(c1 + c2, 2)) + eps)
    ) * 0.25
    t2 = (((c1 + c2) * (x2 - x1) * (y1 - y2)) / ((a1 + a2) * (b1 + b2) - (torch.pow(c1 + c2, 2)) + eps)) * 0.5
    t3 = (
        torch.log(
            ((a1 + a2) * (b1 + b2) - (torch.pow(c1 + c2, 2)))
            / (4 * torch.sqrt((a1 * b1 - torch.pow(c1, 2)).clamp_(0) * (a2 * b2 - torch.pow(c2, 2)).clamp_(0)) + eps)
            + eps
        )
        * 0.5
    )
    bd = t1 + t2 + t3
    bd = torch.clamp(bd, eps, 100.0)
    hd = torch.sqrt(1.0 - torch.exp(-bd) + eps)
    iou = 1 - hd
    if CIoU:  # only include the wh aspect ratio part
        w1, h1 = obb1[..., 2:4].split(1, dim=-1)
        w2, h2 = obb2[..., 2:4].split(1, dim=-1)
        v = (4 / math.pi**2) * (torch.atan(w2 / h2) - torch.atan(w1 / h1)).pow(2)
        with torch.no_grad():
            alpha = v / (v - iou + (1 + eps))
        return iou - v * alpha  # CIoU
    return iou



ultralytics.utils.metrics.batch_probiou(obb1, obb2, eps=1e-07)

احسب prob iou بين المربعات المحيطة الموجهة ، https://arxiv.org/pdf/2106.06072v1.pdf.

البارامترات:

اسم نوع وصف افتراضي
obb1 Tensor | ndarray

A tensor من الشكل (N ، 5) يمثل obbs الحقيقة الأرضية ، مع تنسيق xywhr.

مطلوب
obb2 Tensor | ndarray

A tensor من الشكل (M ، 5) يمثل obbs المتوقعة ، مع تنسيق xywhr.

مطلوب
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-7.

1e-07

ارجاع:

نوع وصف
Tensor

A tensor من الشكل (N ، M) يمثل أوجه التشابه obb.

شفرة المصدر في ultralytics/utils/metrics.py
237 238 239 240 241 242 243 244 245 246 247 248249 250 251 252 253 254 255256 257 258 259 260 261 262 263 264 265 266 267268269 270 271 272 273
def batch_probiou(obb1, obb2, eps=1e-7):
    """
    Calculate the prob iou between oriented bounding boxes, https://arxiv.org/pdf/2106.06072v1.pdf.

    Args:
        obb1 (torch.Tensor | np.ndarray): A tensor of shape (N, 5) representing ground truth obbs, with xywhr format.
        obb2 (torch.Tensor | np.ndarray): A tensor of shape (M, 5) representing predicted obbs, with xywhr format.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-7.

    Returns:
        (torch.Tensor): A tensor of shape (N, M) representing obb similarities.
    """
    obb1 = torch.from_numpy(obb1) if isinstance(obb1, np.ndarray) else obb1
    obb2 = torch.from_numpy(obb2) if isinstance(obb2, np.ndarray) else obb2

    x1, y1 = obb1[..., :2].split(1, dim=-1)
    x2, y2 = (x.squeeze(-1)[None] for x in obb2[..., :2].split(1, dim=-1))
    a1, b1, c1 = _get_covariance_matrix(obb1)
    a2, b2, c2 = (x.squeeze(-1)[None] for x in _get_covariance_matrix(obb2))

    t1 = (
        ((a1 + a2) * (torch.pow(y1 - y2, 2)) + (b1 + b2) * (torch.pow(x1 - x2, 2)))
        / ((a1 + a2) * (b1 + b2) - (torch.pow(c1 + c2, 2)) + eps)
    ) * 0.25
    t2 = (((c1 + c2) * (x2 - x1) * (y1 - y2)) / ((a1 + a2) * (b1 + b2) - (torch.pow(c1 + c2, 2)) + eps)) * 0.5
    t3 = (
        torch.log(
            ((a1 + a2) * (b1 + b2) - (torch.pow(c1 + c2, 2)))
            / (4 * torch.sqrt((a1 * b1 - torch.pow(c1, 2)).clamp_(0) * (a2 * b2 - torch.pow(c2, 2)).clamp_(0)) + eps)
            + eps
        )
        * 0.5
    )
    bd = t1 + t2 + t3
    bd = torch.clamp(bd, eps, 100.0)
    hd = torch.sqrt(1.0 - torch.exp(-bd) + eps)
    return 1 - hd



ultralytics.utils.metrics.smooth_BCE(eps=0.1)

قامت الحسابات بتنعيم أهداف الإنتروبيا الثنائية الإيجابية والسلبية.

تحسب هذه الوظيفة التسمية الموجبة والسالبة التي تجانس أهداف BCE بناء على قيمة إبسيلون معينة. للحصول على تفاصيل التنفيذ، يرجى الرجوع إلى https://github.com/ultralytics/yolov3/issues/238#issuecomment-598028441.

البارامترات:

اسم نوع وصف افتراضي
eps float

قيمة إبسيلون لتنعيم الملصق. الإعدادات الافتراضية هي 0.1.

0.1

ارجاع:

نوع وصف
tuple

مجموعة تحتوي على الملصق الإيجابي والسلبي الذي يمهد أهداف BCE.

شفرة المصدر في ultralytics/utils/metrics.py
276 277 278 279 280 281 282 283 284 285 286 287 288 289
def smooth_BCE(eps=0.1):
    """
    Computes smoothed positive and negative Binary Cross-Entropy targets.

    This function calculates positive and negative label smoothing BCE targets based on a given epsilon value.
    For implementation details, refer to https://github.com/ultralytics/yolov3/issues/238#issuecomment-598028441.

    Args:
        eps (float, optional): The epsilon value for label smoothing. Defaults to 0.1.

    Returns:
        (tuple): A tuple containing the positive and negative label smoothing BCE targets.
    """
    return 1.0 - 0.5 * eps, 0.5 * eps



ultralytics.utils.metrics.smooth(y, f=0.05)

مرشح مربع من الكسر f.

شفرة المصدر في ultralytics/utils/metrics.py
446 447 448 449450 451
def smooth(y, f=0.05):
    """Box filter of fraction f."""
    nf = round(len(y) * f * 2) // 2 + 1  # number of filter elements (must be odd)
    p = np.ones(nf // 2)  # ones padding
    yp = np.concatenate((p * y[0], y, p * y[-1]), 0)  # y padded
    return np.convolve(yp, np.ones(nf) / nf, mode="valid")  # y-smoothed



ultralytics.utils.metrics.plot_pr_curve(px, py, ap, save_dir=Path('pr_curve.png'), names=(), on_plot=None)

يرسم منحنى استدعاء الدقة.

شفرة المصدر في ultralytics/utils/metrics.py
454 455 456 457 458 459 460 461 462 463 464 465 466 467 468469 470471 472 473474 475476
@plt_settings()
def plot_pr_curve(px, py, ap, save_dir=Path("pr_curve.png"), names=(), on_plot=None):
    """Plots a precision-recall curve."""
    fig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)
    py = np.stack(py, axis=1)

    if 0 < len(names) < 21:  # display per-class legend if < 21 classes
        for i, y in enumerate(py.T):
            ax.plot(px, y, linewidth=1, label=f"{names[i]} {ap[i, 0]:.3f}")  # plot(recall, precision)
    else:
        ax.plot(px, py, linewidth=1, color="grey")  # plot(recall, precision)

    ax.plot(px, py.mean(1), linewidth=3, color="blue", label="all classes %.3f mAP@0.5" % ap[:, 0].mean())
    ax.set_xlabel("Recall")
    ax.set_ylabel("Precision")
    ax.set_xlim(0, 1)
    ax.set_ylim(0, 1)
    ax.legend(bbox_to_anchor=(1.04, 1), loc="upper left")
    ax.set_title("Precision-Recall Curve")
    fig.savefig(save_dir, dpi=250)
    plt.close(fig)
    if on_plot:
        on_plot(save_dir)



ultralytics.utils.metrics.plot_mc_curve(px, py, save_dir=Path('mc_curve.png'), names=(), xlabel='Confidence', ylabel='Metric', on_plot=None)

يرسم منحنى الثقة المترية.

شفرة المصدر في ultralytics/utils/metrics.py
479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496497498 499500 501
@plt_settings()
def plot_mc_curve(px, py, save_dir=Path("mc_curve.png"), names=(), xlabel="Confidence", ylabel="Metric", on_plot=None):
    """Plots a metric-confidence curve."""
    fig, ax = plt.subplots(1, 1, figsize=(9, 6), tight_layout=True)

    if 0 < len(names) < 21:  # display per-class legend if < 21 classes
        for i, y in enumerate(py):
            ax.plot(px, y, linewidth=1, label=f"{names[i]}")  # plot(confidence, metric)
    else:
        ax.plot(px, py.T, linewidth=1, color="grey")  # plot(confidence, metric)

    y = smooth(py.mean(0), 0.05)
    ax.plot(px, y, linewidth=3, color="blue", label=f"all classes {y.max():.2f} at {px[y.argmax()]:.3f}")
    ax.set_xlabel(xlabel)
    ax.set_ylabel(ylabel)
    ax.set_xlim(0, 1)
    ax.set_ylim(0, 1)
    ax.legend(bbox_to_anchor=(1.04, 1), loc="upper left")
    ax.set_title(f"{ylabel}-Confidence Curve")
    fig.savefig(save_dir, dpi=250)
    plt.close(fig)
    if on_plot:
        on_plot(save_dir)



ultralytics.utils.metrics.compute_ap(recall, precision)

احسب متوسط الدقة (AP) بمعلومية منحنيات الاستدعاء والدقة.

البارامترات:

اسم نوع وصف افتراضي
recall list

منحنى الاستدعاء.

مطلوب
precision list

منحنى الدقة.

مطلوب

ارجاع:

نوع وصف
float

متوسط الدقة.

ndarray

منحنى المغلف الدقيق.

ndarray

منحنى استدعاء معدل مع إضافة قيم خافرة في البداية والنهاية.

شفرة المصدر في ultralytics/utils/metrics.py
504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528529 530 531 532533534
def compute_ap(recall, precision):
    """
    Compute the average precision (AP) given the recall and precision curves.

    Args:
        recall (list): The recall curve.
        precision (list): The precision curve.

    Returns:
        (float): Average precision.
        (np.ndarray): Precision envelope curve.
        (np.ndarray): Modified recall curve with sentinel values added at the beginning and end.
    """

    # Append sentinel values to beginning and end
    mrec = np.concatenate(([0.0], recall, [1.0]))
    mpre = np.concatenate(([1.0], precision, [0.0]))

    # Compute the precision envelope
    mpre = np.flip(np.maximum.accumulate(np.flip(mpre)))

    # Integrate area under curve
    method = "interp"  # methods: 'continuous', 'interp'
    if method == "interp":
        x = np.linspace(0, 1, 101)  # 101-point interp (COCO)
        ap = np.trapz(np.interp(x, mrec, mpre), x)  # integrate
    else:  # 'continuous'
        i = np.where(mrec[1:] != mrec[:-1])[0]  # points where x-axis (recall) changes
        ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])  # area under curve

    return ap, mpre, mrec



ultralytics.utils.metrics.ap_per_class(tp, conf, pred_cls, target_cls, plot=False, on_plot=None, save_dir=Path(), names=(), eps=1e-16, prefix='')

يحسب متوسط الدقة لكل فئة لتقييم اكتشاف الكائنات.

البارامترات:

اسم نوع وصف افتراضي
tp ndarray

مصفوفة ثنائية تشير إلى ما إذا كان الاكتشاف صحيحا (صحيح) أم لا (خطأ).

مطلوب
conf ndarray

مجموعة من درجات الثقة للاكتشافات.

مطلوب
pred_cls ndarray

مجموعة من الفئات المتوقعة من الاكتشافات.

مطلوب
target_cls ndarray

مجموعة من الفئات الحقيقية للاكتشافات.

مطلوب
plot bool

سواء لرسم منحنيات العلاقات العامة أم لا. الإعدادات الافتراضية إلى خطأ.

False
on_plot func

رد اتصال لتمرير المسارات والبيانات عند عرضها. الإعدادات الافتراضية إلى لا شيء.

None
save_dir Path

دليل لحفظ منحنيات العلاقات العامة. الإعدادات الافتراضية إلى مسار فارغ.

Path()
names tuple

مجموعة من أسماء الفئات لرسم منحنيات العلاقات العامة. الإعدادات الافتراضية إلى مجموعة فارغة.

()
eps float

قيمة صغيرة لتجنب القسمة على صفر. الإعدادات الافتراضية إلى 1e-16.

1e-16
prefix str

سلسلة بادئة لحفظ ملفات المؤامرة. الإعدادات الافتراضية لسلسلة فارغة.

''

ارجاع:

نوع وصف
tuple

مجموعة من ستة صفائف ومجموعة واحدة من الفئات الفريدة ، حيث: tp (np.ndarray): يتم احتساب الأعداد الإيجابية الحقيقية عند العتبة المعطاة بواسطة مقياس F1 الأقصى لكل فئة. الشكل: (nc ،). fp (np.ndarray): الأعداد الإيجابية الخاطئة عند العتبة المعطاة بواسطة مقياس F1 الأقصى لكل فئة. الشكل: (nc ،). p (np.ndarray): قيم الدقة عند العتبة المعطاة بواسطة مقياس F1 كحد أقصى لكل فئة. الشكل: (nc ،). r (np.ndarray): قيم الاستدعاء عند العتبة المعطاة بواسطة مقياس F1 كحد أقصى لكل فئة. الشكل: (nc ،). f1 (np.ndarray): قيم درجة F1 عند العتبة المعطاة بواسطة مقياس F1 الأقصى لكل فئة. الشكل: (nc ،). ap (np.ndarray): متوسط الدقة لكل فئة عند عتبات إنترنت الأشياء المختلفة. الشكل: (nc ، 10). unique_classes (np.ndarray): مجموعة من الفئات الفريدة التي تحتوي على بيانات. الشكل: (nc ،). p_curve (np.ndarray): منحنيات دقيقة لكل فئة. الشكل: (NC ، 1000). r_curve (np.ndarray): استدعاء منحنيات لكل فئة. الشكل: (NC ، 1000). f1_curve (np.ndarray): منحنيات درجة F1 لكل فئة. الشكل: (NC ، 1000). x (np.ndarray): قيم المحور X للمنحنيات. الشكل: (1000،). prec_values: قيم الدقة عند mAP@0.5 لكل فئة. الشكل: (NC ، 1000).

شفرة المصدر في ultralytics/utils/metrics.py
537 538 539 540 541 542 543 544 545 546 547 548549 550 551 552 553 554 555 556 557558559 560 561 562 563 564 565 566 567568569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588589 590 591 592 593 594 595 596597 598599 600 601 602 603 604 605 606 607 608609 610 611 612 613 614 615 616 617 618 619 620621 622 623 624625
def ap_per_class(
    tp, conf, pred_cls, target_cls, plot=False, on_plot=None, save_dir=Path(), names=(), eps=1e-16, prefix=""
):
    """
    Computes the average precision per class for object detection evaluation.

    Args:
        tp (np.ndarray): Binary array indicating whether the detection is correct (True) or not (False).
        conf (np.ndarray): Array of confidence scores of the detections.
        pred_cls (np.ndarray): Array of predicted classes of the detections.
        target_cls (np.ndarray): Array of true classes of the detections.
        plot (bool, optional): Whether to plot PR curves or not. Defaults to False.
        on_plot (func, optional): A callback to pass plots path and data when they are rendered. Defaults to None.
        save_dir (Path, optional): Directory to save the PR curves. Defaults to an empty path.
        names (tuple, optional): Tuple of class names to plot PR curves. Defaults to an empty tuple.
        eps (float, optional): A small value to avoid division by zero. Defaults to 1e-16.
        prefix (str, optional): A prefix string for saving the plot files. Defaults to an empty string.

    Returns:
        (tuple): A tuple of six arrays and one array of unique classes, where:
            tp (np.ndarray): True positive counts at threshold given by max F1 metric for each class.Shape: (nc,).
            fp (np.ndarray): False positive counts at threshold given by max F1 metric for each class. Shape: (nc,).
            p (np.ndarray): Precision values at threshold given by max F1 metric for each class. Shape: (nc,).
            r (np.ndarray): Recall values at threshold given by max F1 metric for each class. Shape: (nc,).
            f1 (np.ndarray): F1-score values at threshold given by max F1 metric for each class. Shape: (nc,).
            ap (np.ndarray): Average precision for each class at different IoU thresholds. Shape: (nc, 10).
            unique_classes (np.ndarray): An array of unique classes that have data. Shape: (nc,).
            p_curve (np.ndarray): Precision curves for each class. Shape: (nc, 1000).
            r_curve (np.ndarray): Recall curves for each class. Shape: (nc, 1000).
            f1_curve (np.ndarray): F1-score curves for each class. Shape: (nc, 1000).
            x (np.ndarray): X-axis values for the curves. Shape: (1000,).
            prec_values: Precision values at mAP@0.5 for each class. Shape: (nc, 1000).
    """

    # Sort by objectness
    i = np.argsort(-conf)
    tp, conf, pred_cls = tp[i], conf[i], pred_cls[i]

    # Find unique classes
    unique_classes, nt = np.unique(target_cls, return_counts=True)
    nc = unique_classes.shape[0]  # number of classes, number of detections

    # Create Precision-Recall curve and compute AP for each class
    x, prec_values = np.linspace(0, 1, 1000), []

    # Average precision, precision and recall curves
    ap, p_curve, r_curve = np.zeros((nc, tp.shape[1])), np.zeros((nc, 1000)), np.zeros((nc, 1000))
    for ci, c in enumerate(unique_classes):
        i = pred_cls == c
        n_l = nt[ci]  # number of labels
        n_p = i.sum()  # number of predictions
        if n_p == 0 or n_l == 0:
            continue

        # Accumulate FPs and TPs
        fpc = (1 - tp[i]).cumsum(0)
        tpc = tp[i].cumsum(0)

        # Recall
        recall = tpc / (n_l + eps)  # recall curve
        r_curve[ci] = np.interp(-x, -conf[i], recall[:, 0], left=0)  # negative x, xp because xp decreases

        # Precision
        precision = tpc / (tpc + fpc)  # precision curve
        p_curve[ci] = np.interp(-x, -conf[i], precision[:, 0], left=1)  # p at pr_score

        # AP from recall-precision curve
        for j in range(tp.shape[1]):
            ap[ci, j], mpre, mrec = compute_ap(recall[:, j], precision[:, j])
            if plot and j == 0:
                prec_values.append(np.interp(x, mrec, mpre))  # precision at mAP@0.5

    prec_values = np.array(prec_values)  # (nc, 1000)

    # Compute F1 (harmonic mean of precision and recall)
    f1_curve = 2 * p_curve * r_curve / (p_curve + r_curve + eps)
    names = [v for k, v in names.items() if k in unique_classes]  # list: only classes that have data
    names = dict(enumerate(names))  # to dict
    if plot:
        plot_pr_curve(x, prec_values, ap, save_dir / f"{prefix}PR_curve.png", names, on_plot=on_plot)
        plot_mc_curve(x, f1_curve, save_dir / f"{prefix}F1_curve.png", names, ylabel="F1", on_plot=on_plot)
        plot_mc_curve(x, p_curve, save_dir / f"{prefix}P_curve.png", names, ylabel="Precision", on_plot=on_plot)
        plot_mc_curve(x, r_curve, save_dir / f"{prefix}R_curve.png", names, ylabel="Recall", on_plot=on_plot)

    i = smooth(f1_curve.mean(0), 0.1).argmax()  # max F1 index
    p, r, f1 = p_curve[:, i], r_curve[:, i], f1_curve[:, i]  # max-F1 precision, recall, F1 values
    tp = (r * nt).round()  # true positives
    fp = (tp / (p + eps) - tp).round()  # false positives
    return tp, fp, p, r, f1, ap, unique_classes.astype(int), p_curve, r_curve, f1_curve, x, prec_values





تم إنشاؤه في 2023-11-12, اخر تحديث 2024-01-05
المؤلفون: جلين جوشر (4) ، يضحك س (1)