Referenz fĂŒr ultralytics/utils/metrics.py
Hinweis
Diese Datei ist verfĂŒgbar unter https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/utils/metrics .py. Wenn du ein Problem entdeckst, hilf bitte mit, es zu beheben, indem du einen Pull Request đ ïž einreichst. Vielen Dank đ!
ultralytics.utils.metrics.ConfusionMatrix
Eine Klasse zum Berechnen und Aktualisieren einer Konfusionsmatrix fĂŒr Objekterkennungs- und Klassifizierungsaufgaben.
Attribute:
Name | Typ | Beschreibung |
---|---|---|
task |
str
|
Die Art der Aufgabe, entweder "erkennen" oder "klassifizieren". |
matrix |
ndarray
|
Die Verwirrungsmatrix, deren Dimensionen von der Aufgabe abhÀngen. |
nc |
int
|
Die Anzahl der Klassen. |
conf |
float
|
Die Vertrauensschwelle fĂŒr Erkennungen. |
iou_thres |
float
|
Die Kreuzung ĂŒber der Union-Schwelle. |
Quellcode in ultralytics/utils/metrics.py
284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 |
|
__init__(nc, conf=0.25, iou_thres=0.45, task='detect')
Initialisiere die Attribute fĂŒr das Modell YOLO .
Quellcode in ultralytics/utils/metrics.py
matrix()
plot(normalize=True, save_dir='', names=(), on_plot=None)
Zeichne die Verwirrungsmatrix mit seaborn auf und speichere sie in einer Datei.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
normalize |
bool
|
Ob die Konfusionsmatrix normalisiert werden soll. |
True
|
save_dir |
str
|
Verzeichnis, in dem der Plot gespeichert werden soll. |
''
|
names |
tuple
|
Namen der Klassen, die als Beschriftungen auf dem Diagramm verwendet werden. |
()
|
on_plot |
func
|
Ein optionaler Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. |
None
|
Quellcode in ultralytics/utils/metrics.py
print()
process_batch(detections, gt_bboxes, gt_cls)
Aktualisiere die Konfusionsmatrix fĂŒr die Objekterkennungsaufgabe.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
detections |
Array[N, 6] | Array[N, 7]
|
Erkannte Bounding Boxes und die dazugehörigen Informationen.
Jede Zeile sollte (x1, y1, x2, y2, conf, class) enthalten
oder mit einem zusÀtzlichen Element |
erforderlich |
gt_bboxes |
Array[M, 4] | Array[N, 5]
|
Ground truth bounding boxes mit xyxy/xyxyr Format. |
erforderlich |
gt_cls |
Array[M]
|
Die Klassenbezeichnungen. |
erforderlich |
Quellcode in ultralytics/utils/metrics.py
process_cls_preds(preds, targets)
Aktualisiere die Konfusionsmatrix fĂŒr die Klassifizierungsaufgabe.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
preds |
Array[N, min(nc, 5)]
|
Vorausgesagte Klassenbezeichnungen. |
erforderlich |
targets |
Array[N, 1]
|
Grundwahrheits-Klassenbezeichnungen. |
erforderlich |
Quellcode in ultralytics/utils/metrics.py
tp_fp()
Gibt wahr- und falsch-positive Ergebnisse zurĂŒck.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.Metric
Basen: SimpleClass
Klasse zur Berechnung von Bewertungsmetriken fĂŒr das Modell YOLOv8 .
Attribute:
Name | Typ | Beschreibung |
---|---|---|
p |
list
|
PrĂ€zision fĂŒr jede Klasse. Form: (nc,). |
r |
list
|
RĂŒckruf fĂŒr jede Klasse. Form: (nc,). |
f1 |
list
|
F1-Punktzahl fĂŒr jede Klasse. Form: (nc,). |
all_ap |
list
|
AP-Punkte fĂŒr alle Klassen und alle IoU-Schwellenwerte. Form: (nc, 10). |
ap_class_index |
list
|
Index der Klasse fĂŒr jede AP-Punktzahl. Form: (nc,). |
nc |
int
|
Anzahl der Klassen. |
Methoden:
Name | Beschreibung |
---|---|
ap50 |
AP bei einer IoU-Schwelle von 0,5 fĂŒr alle Klassen. RĂŒckgabe: Liste der AP-Punkte. Form: (nc,) oder []. |
ap |
AP bei IoU-Schwellenwerten von 0,5 bis 0,95 fĂŒr alle Klassen. RĂŒckgabe: Liste der AP-Bewertungen. Form: (nc,) oder []. |
mp |
Mittlere Genauigkeit aller Klassen. RĂŒckgabe: Float. |
mr |
Mittlerer RĂŒckruf aller Klassen. RĂŒckgabe: Float. |
map50 |
Mittlerer AP bei einem IoU-Schwellenwert von 0,5 fĂŒr alle Klassen. RĂŒckgabe: Float. |
map75 |
Mittlere AP bei einer IoU-Schwelle von 0,75 fĂŒr alle Klassen. RĂŒckgabe: Float. |
map |
Mittlere AP bei IoU-Schwellenwerten von 0,5 bis 0,95 fĂŒr alle Klassen. RĂŒckgabe: Float. |
mean_results |
Mittelwert der Ergebnisse, liefert mp, mr, map50, map. |
class_result |
Klassengerechtes Ergebnis, liefert p[i], r[i], ap50[i], ap[i]. |
maps |
mAP der einzelnen Klassen. RĂŒckgabe: Array von mAP-Punkten, Form: (nc,). |
fitness |
Modelliert die Fitness als gewichtete Kombination von Metriken. RĂŒckgabe: Float. |
update |
Aktualisiere die metrischen Attribute mit neuen Bewertungsergebnissen. |
Quellcode in ultralytics/utils/metrics.py
620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 |
|
ap
property
Gibt die durchschnittliche Genauigkeit (AP) bei einer IoU-Schwelle von 0,5-0,95 fĂŒr alle Klassen zurĂŒck.
Retouren:
Typ | Beschreibung |
---|---|
(ndarray, list)
|
Array of shape (nc,) mit AP50-95 Werten pro Klasse oder eine leere Liste, wenn nicht vorhanden. |
ap50
property
Gibt die durchschnittliche Genauigkeit (AP) bei einem IoU-Schwellenwert von 0,5 fĂŒr alle Klassen zurĂŒck.
Retouren:
Typ | Beschreibung |
---|---|
(ndarray, list)
|
Array of shape (nc,) mit AP50-Werten pro Klasse oder eine leere Liste, falls nicht vorhanden. |
curves
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
curves_results
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
map
property
Gibt die mittlere durchschnittliche Genauigkeit (mAP) ĂŒber IoU-Schwellenwerte von 0,5 - 0,95 in Schritten von 0,05 zurĂŒck.
Retouren:
Typ | Beschreibung |
---|---|
float
|
Die mAP ĂŒber IoU-Schwellenwerte von 0,5 - 0,95 in Schritten von 0,05. |
map50
property
Gibt die mittlere durchschnittliche Genauigkeit (mAP) bei einem IoU-Schwellenwert von 0,5 zurĂŒck.
Retouren:
Typ | Beschreibung |
---|---|
float
|
Die mAP bei einer IoU-Schwelle von 0,5. |
map75
property
Gibt die mittlere durchschnittliche Genauigkeit (mAP) bei einem IoU-Schwellenwert von 0,75 zurĂŒck.
Retouren:
Typ | Beschreibung |
---|---|
float
|
Die mAP bei einer IoU-Schwelle von 0,75. |
maps
property
KARTE der einzelnen Klassen.
mp
property
Gibt die mittlere Genauigkeit aller Klassen zurĂŒck.
Retouren:
Typ | Beschreibung |
---|---|
float
|
Die durchschnittliche Genauigkeit aller Klassen. |
mr
property
Gibt den mittleren RĂŒckruf aller Klassen zurĂŒck.
Retouren:
Typ | Beschreibung |
---|---|
float
|
Der durchschnittliche Abruf aller Klassen. |
__init__()
Initialisiert eine Metrik-Instanz zur Berechnung von Bewertungsmetriken fĂŒr das Modell YOLOv8 .
Quellcode in ultralytics/utils/metrics.py
class_result(i)
fitness()
Modelliere die Fitness als gewichtete Kombination von Metriken.
mean_results()
update(results)
Aktualisiert die Bewertungsmetriken des Modells mit einer neuen Reihe von Ergebnissen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
results |
tuple
|
Ein Tupel, das die folgenden Bewertungskennzahlen enthĂ€lt: - p (Liste): PrĂ€zision fĂŒr jede Klasse. Form: (nc,). - r (Liste): Recall fĂŒr jede Klasse. Form: (nc,). - f1 (Liste): F1-Punktzahl fĂŒr jede Klasse. Form: (nc,). - all_ap (list): AP-Punkte fĂŒr alle Klassen und alle IoU-Schwellenwerte. Form: (nc, 10). - ap_class_index (list): Index der Klasse fĂŒr jede AP-Punktzahl. Form: (nc,). |
erforderlich |
Nebeneffekte
Aktualisiert die Klassenattribute self.p
, self.r
, self.f1
, self.all_ap
, und self.ap_class_index
basiert
auf den Werten, die in der results
Tupel.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.DetMetrics
Basen: SimpleClass
Diese Klasse ist eine Hilfsklasse fĂŒr die Berechnung von Erkennungsmetriken wie Precision, Recall und Mean Average Precision (mAP) eines Objekterkennungsmodells.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
save_dir |
Path
|
Ein Pfad zu dem Verzeichnis, in dem die Ausgabeplots gespeichert werden sollen. StandardmĂ€Ăig wird das aktuelle Verzeichnis verwendet. |
Path('.')
|
plot |
bool
|
Ein Flag, das angibt, ob die Kurven fĂŒr die Genauigkeit des Abrufs fĂŒr jede Klasse gezeichnet werden sollen. Der Standardwert ist False. |
False
|
on_plot |
func
|
Ein optionaler Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. Der Standardwert ist None. |
None
|
names |
tuple of str
|
Ein Tupel von Strings, das die Namen der Klassen darstellt. Der Standardwert ist ein leeres Tupel. |
()
|
Attribute:
Name | Typ | Beschreibung |
---|---|---|
save_dir |
Path
|
Ein Pfad zu dem Verzeichnis, in dem die Ausgabeplots gespeichert werden sollen. |
plot |
bool
|
Ein Flag, das angibt, ob die Precision-Recall-Kurven fĂŒr jede Klasse gezeichnet werden sollen. |
on_plot |
func
|
Ein optionaler Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. |
names |
tuple of str
|
Ein Tupel von Strings, das die Namen der Klassen darstellt. |
box |
Metric
|
Eine Instanz der Metric-Klasse zum Speichern der Ergebnisse der Erkennungsmetriken. |
speed |
dict
|
Ein Wörterbuch, in dem die AusfĂŒhrungszeit der verschiedenen Teile des Erkennungsprozesses gespeichert wird. |
Methoden:
Name | Beschreibung |
---|---|
process |
Aktualisiert die metrischen Ergebnisse mit dem neuesten Stapel von Vorhersagen. |
keys |
Gibt eine Liste von SchlĂŒsseln fĂŒr den Zugriff auf die berechneten Erkennungsmetriken zurĂŒck. |
mean_results |
Gibt eine Liste der Mittelwerte fĂŒr die berechneten Erkennungsmetriken zurĂŒck. |
class_result |
Gibt eine Liste von Werten fĂŒr die berechneten Erkennungsmetriken fĂŒr eine bestimmte Klasse zurĂŒck. |
maps |
Liefert ein Wörterbuch mit den Werten der durchschnittlichen Genauigkeit (mAP) fĂŒr verschiedene IoU-Schwellenwerte. |
fitness |
Berechnet die Fitnessbewertung auf der Grundlage der berechneten Erkennungsmetriken. |
ap_class_index |
Gibt eine Liste der Klassenindizes zurĂŒck, sortiert nach ihren durchschnittlichen PrĂ€zisionswerten (AP). |
results_dict |
Gibt ein Wörterbuch zurĂŒck, das die SchlĂŒssel der Erkennungsmetrik auf ihre berechneten Werte abbildet. |
curves |
TODO |
curves_results |
TODO |
Quellcode in ultralytics/utils/metrics.py
792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 |
|
ap_class_index
property
Gibt den durchschnittlichen PrĂ€zisionsindex pro Klasse zurĂŒck.
curves
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
curves_results
property
Gibt ein Wörterbuch der berechneten Leistungskennzahlen und Statistiken zurĂŒck.
fitness
property
Gibt die Fitness des Box-Objekts zurĂŒck.
keys
property
Gibt eine Liste von SchlĂŒsseln fĂŒr den Zugriff auf bestimmte Metriken zurĂŒck.
maps
property
Gibt die durchschnittliche Genauigkeit (mAP) pro Klasse zurĂŒck.
results_dict
property
Gibt ein Wörterbuch der berechneten Leistungskennzahlen und Statistiken zurĂŒck.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Initialisiere eine DetMetrics-Instanz mit einem Speicherverzeichnis, einem Plot-Flag, einer Callback-Funktion und Klassennamen.
Quellcode in ultralytics/utils/metrics.py
class_result(i)
Gibt das Ergebnis der Bewertung der Leistung eines Objekterkennungsmodells fĂŒr eine bestimmte Klasse zurĂŒck.
mean_results()
Berechne den Mittelwert der erkannten Objekte und gib PrĂ€zision, Wiedererkennung, mAP50 und mAP50-95 zurĂŒck.
process(tp, conf, pred_cls, target_cls)
Verarbeite die vorhergesagten Ergebnisse fĂŒr die Objekterkennung und aktualisiere die Metriken.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.SegmentMetrics
Basen: SimpleClass
Berechnet und aggregiert Erkennungs- und Segmentierungsmetriken ĂŒber eine bestimmte Menge von Klassen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
save_dir |
Path
|
Pfad zu dem Verzeichnis, in dem die Ausgabeplots gespeichert werden sollen. Die Vorgabe ist das aktuelle Verzeichnis. |
Path('.')
|
plot |
bool
|
Ob die Erkennungs- und Segmentierungsdiagramme gespeichert werden sollen. Standard ist False. |
False
|
on_plot |
func
|
Ein optionaler Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. Der Standardwert ist None. |
None
|
names |
list
|
Liste der Klassennamen. Standard ist eine leere Liste. |
()
|
Attribute:
Name | Typ | Beschreibung |
---|---|---|
save_dir |
Path
|
Pfad zu dem Verzeichnis, in dem die Ausgabeplots gespeichert werden sollen. |
plot |
bool
|
Ob die Erkennungs- und Segmentierungsdiagramme gespeichert werden sollen. |
on_plot |
func
|
Ein optionaler Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. |
names |
list
|
Liste der Klassennamen. |
box |
Metric
|
Eine Instanz der Metric-Klasse, um die Metriken fĂŒr die Boxerkennung zu berechnen. |
seg |
Metric
|
Eine Instanz der Metric-Klasse, um die Metrik der Maskensegmentierung zu berechnen. |
speed |
dict
|
Wörterbuch, um die Zeit zu speichern, die fĂŒr die verschiedenen Phasen der Schlussfolgerung benötigt wird. |
Methoden:
Name | Beschreibung |
---|---|
process |
Verarbeitet Metriken ĂŒber die gegebene Menge von Vorhersagen. |
mean_results |
Gibt den Mittelwert der Erkennungs- und Segmentierungsmetriken ĂŒber alle Klassen zurĂŒck. |
class_result |
Gibt die Erkennungs- und Segmentierungsmetriken der Klasse |
maps |
Gibt die mittlere durchschnittliche Genauigkeit (mAP) fĂŒr IoU-Schwellenwerte zwischen 0,50 und 0,95 zurĂŒck. |
fitness |
Gibt die Fitnesswerte zurĂŒck, die eine einzelne gewichtete Kombination von Metriken sind. |
ap_class_index |
Gibt die Liste der Indizes der Klassen zurĂŒck, die zur Berechnung der durchschnittlichen Genauigkeit (AP) verwendet werden. |
results_dict |
Gibt das Wörterbuch mit allen Erkennungs- und Segmentierungsmetriken und der Fitnessbewertung zurĂŒck. |
Quellcode in ultralytics/utils/metrics.py
893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 |
|
ap_class_index
property
Boxen und Masken haben den gleichen ap_class_index.
curves
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
curves_results
property
Gibt ein Wörterbuch der berechneten Leistungskennzahlen und Statistiken zurĂŒck.
fitness
property
Erhalte die Fitness-Punkte fĂŒr die Segmentierungs- und Bounding-Box-Modelle.
keys
property
Gibt eine Liste von SchlĂŒsseln fĂŒr den Zugriff auf Metriken zurĂŒck.
maps
property
Liefert mAP-Scores fĂŒr Objekterkennungs- und semantische Segmentierungsmodelle.
results_dict
property
Gibt die Ergebnisse des Objekterkennungsmodells zur Bewertung zurĂŒck.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Initialisiere eine SegmentMetrics-Instanz mit einem Speicherverzeichnis, einem Plot-Flag, einer Callback-Funktion und Klassennamen.
Quellcode in ultralytics/utils/metrics.py
class_result(i)
mean_results()
process(tp, tp_m, conf, pred_cls, target_cls)
Verarbeitet die Erkennungs- und Segmentierungsmetriken ĂŒber den gegebenen Satz von Vorhersagen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
tp |
list
|
Liste der True Positive Boxen. |
erforderlich |
tp_m |
list
|
Liste der True Positive Masken. |
erforderlich |
conf |
list
|
Liste der Vertrauenswerte. |
erforderlich |
pred_cls |
list
|
Liste der vorhergesagten Klassen. |
erforderlich |
target_cls |
list
|
Liste der Zielklassen. |
erforderlich |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.PoseMetrics
Basen: SegmentMetrics
Berechnet und aggregiert Erkennungs- und Posenmetriken ĂŒber eine bestimmte Menge von Klassen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
save_dir |
Path
|
Pfad zu dem Verzeichnis, in dem die Ausgabeplots gespeichert werden sollen. Die Vorgabe ist das aktuelle Verzeichnis. |
Path('.')
|
plot |
bool
|
Ob die Erkennungs- und Segmentierungsdiagramme gespeichert werden sollen. Standard ist False. |
False
|
on_plot |
func
|
Ein optionaler Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. Der Standardwert ist None. |
None
|
names |
list
|
Liste der Klassennamen. Standard ist eine leere Liste. |
()
|
Attribute:
Name | Typ | Beschreibung |
---|---|---|
save_dir |
Path
|
Pfad zu dem Verzeichnis, in dem die Ausgabeplots gespeichert werden sollen. |
plot |
bool
|
Ob die Erkennungs- und Segmentierungsdiagramme gespeichert werden sollen. |
on_plot |
func
|
Ein optionaler Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. |
names |
list
|
Liste der Klassennamen. |
box |
Metric
|
Eine Instanz der Metric-Klasse, um die Metriken fĂŒr die Boxerkennung zu berechnen. |
pose |
Metric
|
Eine Instanz der Metric-Klasse, um die Metrik der Maskensegmentierung zu berechnen. |
speed |
dict
|
Wörterbuch, um die Zeit zu speichern, die fĂŒr die verschiedenen Phasen der Schlussfolgerung benötigt wird. |
Methoden:
Name | Beschreibung |
---|---|
process |
Verarbeitet Metriken ĂŒber die gegebene Menge von Vorhersagen. |
mean_results |
Gibt den Mittelwert der Erkennungs- und Segmentierungsmetriken ĂŒber alle Klassen zurĂŒck. |
class_result |
Gibt die Erkennungs- und Segmentierungsmetriken der Klasse |
maps |
Gibt die mittlere durchschnittliche Genauigkeit (mAP) fĂŒr IoU-Schwellenwerte zwischen 0,50 und 0,95 zurĂŒck. |
fitness |
Gibt die Fitnesswerte zurĂŒck, die eine einzelne gewichtete Kombination von Metriken sind. |
ap_class_index |
Gibt die Liste der Indizes der Klassen zurĂŒck, die zur Berechnung der durchschnittlichen Genauigkeit (AP) verwendet werden. |
results_dict |
Gibt das Wörterbuch mit allen Erkennungs- und Segmentierungsmetriken und der Fitnessbewertung zurĂŒck. |
Quellcode in ultralytics/utils/metrics.py
1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 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 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 |
|
curves
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
curves_results
property
Gibt ein Wörterbuch der berechneten Leistungskennzahlen und Statistiken zurĂŒck.
fitness
property
Berechnet die Klassifizierungsmetriken und die Geschwindigkeit mithilfe der targets
und pred
Eingaben.
keys
property
Gibt eine Liste mit den SchlĂŒsseln der Bewertungsmetrik zurĂŒck.
maps
property
Gibt die mittlere durchschnittliche Genauigkeit (mAP) pro Klasse fĂŒr die Erkennung von Boxen und Posen zurĂŒck.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Initialisiere die Klasse PoseMetrics mit Verzeichnispfad, Klassennamen und Darstellungsoptionen.
Quellcode in ultralytics/utils/metrics.py
class_result(i)
mean_results()
process(tp, tp_p, conf, pred_cls, target_cls)
Verarbeitet die Erkennungs- und Posenmetriken ĂŒber den gegebenen Satz von Vorhersagen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
tp |
list
|
Liste der True Positive Boxen. |
erforderlich |
tp_p |
list
|
Liste der True Positive Keypoints. |
erforderlich |
conf |
list
|
Liste der Vertrauenswerte. |
erforderlich |
pred_cls |
list
|
Liste der vorhergesagten Klassen. |
erforderlich |
target_cls |
list
|
Liste der Zielklassen. |
erforderlich |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.ClassifyMetrics
Basen: SimpleClass
Klasse fĂŒr die Berechnung von Klassifizierungsmetriken, einschlieĂlich Top-1- und Top-5-Genauigkeit.
Attribute:
Name | Typ | Beschreibung |
---|---|---|
top1 |
float
|
Die Top-1-Genauigkeit. |
top5 |
float
|
Die Top-5-Genauigkeit. |
speed |
Dict[str, float]
|
Ein Wörterbuch mit der Zeit, die fĂŒr jeden Schritt in der Pipeline benötigt wird. |
Eigenschaften
Fitness (Float): Die Fitness des Modells, die der Top-5-Genauigkeit entspricht. results_dict (Dict[str, Union[float, str]]): Ein Wörterbuch mit den Klassifizierungsmetriken und der Fitness. keys (List[str]): Eine Liste von SchlĂŒsseln fĂŒr das results_dict.
Methoden:
Name | Beschreibung |
---|---|
process |
Verarbeitet die Ziele und Vorhersagen, um Klassifizierungsmetriken zu berechnen. |
Quellcode in ultralytics/utils/metrics.py
curves
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
curves_results
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
fitness
property
Gibt den Mittelwert der Top-1- und Top-5-Genauigkeit als Fitness-Score zurĂŒck.
keys
property
Gibt eine Liste von SchlĂŒsseln fĂŒr die Eigenschaft results_dict zurĂŒck.
results_dict
property
Gibt ein Wörterbuch mit den Leistungskennzahlen und der Fitnessbewertung des Modells zurĂŒck.
__init__()
Initialisiere eine ClassifyMetrics-Instanz.
process(targets, pred)
Zielklassen und vorhergesagte Klassen.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.OBBMetrics
Basen: SimpleClass
Quellcode in ultralytics/utils/metrics.py
1224 1225 1226 1227 1228 1229 1230 1231 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 |
|
ap_class_index
property
Gibt den durchschnittlichen PrĂ€zisionsindex pro Klasse zurĂŒck.
curves
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
curves_results
property
Gibt eine Liste von Kurven fĂŒr den Zugriff auf bestimmte Metrikkurven zurĂŒck.
fitness
property
Gibt die Fitness des Box-Objekts zurĂŒck.
keys
property
Gibt eine Liste von SchlĂŒsseln fĂŒr den Zugriff auf bestimmte Metriken zurĂŒck.
maps
property
Gibt die durchschnittliche Genauigkeit (mAP) pro Klasse zurĂŒck.
results_dict
property
Gibt ein Wörterbuch der berechneten Leistungskennzahlen und Statistiken zurĂŒck.
class_result(i)
Gibt das Ergebnis der Bewertung der Leistung eines Objekterkennungsmodells fĂŒr eine bestimmte Klasse zurĂŒck.
mean_results()
Berechne den Mittelwert der erkannten Objekte und gib PrĂ€zision, Wiedererkennung, mAP50 und mAP50-95 zurĂŒck.
process(tp, conf, pred_cls, target_cls)
Verarbeite die vorhergesagten Ergebnisse fĂŒr die Objekterkennung und aktualisiere die Metriken.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.bbox_ioa(box1, box2, iou=False, eps=1e-07)
Berechne den Schnittpunkt mit der FlĂ€che von box2 fĂŒr box1 und box2. Die Boxen haben das Format x1y1x2y2.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
box1 |
ndarray
|
Ein numpy-Array der Form (n, 4), das n Bounding Boxes darstellt. |
erforderlich |
box2 |
ndarray
|
Ein Numpy-Array der Form (m, 4), das m Bounding Boxes darstellt. |
erforderlich |
iou |
bool
|
Berechne den Standard-IoU, wenn True, sonst gib inter_area/box2_area zurĂŒck. |
False
|
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-7. |
1e-07
|
Retouren:
Typ | Beschreibung |
---|---|
ndarray
|
Ein numpy-Array der Form (n, m), das die Schnittmenge ĂŒber die FlĂ€che von box2 darstellt. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.box_iou(box1, box2, eps=1e-07)
Berechne die Ăberschneidung (IoU) von Boxen. Es wird erwartet, dass beide Gruppen von Boxen das Format (x1, y1, x2, y2) haben. Basierend auf https://github.com/pytorch/vision/blob/master/torchvision/ops/boxes.py
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
box1 |
Tensor
|
Eine tensor der Form (N, 4), die N Bounding Boxes darstellt. |
erforderlich |
box2 |
Tensor
|
Eine tensor der Form (M, 4), die M Bounding Boxes darstellt. |
erforderlich |
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-7. |
1e-07
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
Ein NxM tensor mit den paarweisen IoU-Werten fĂŒr jedes Element in Box1 und Box2. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-07)
Berechne die Ăberschneidung ĂŒber die Vereinigung (IoU) von Box1(1, 4) mit Box2(n, 4).
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
box1 |
Tensor
|
Eine tensor , die ein einzelnes Begrenzungsrechteck mit der Form (1, 4) darstellt. |
erforderlich |
box2 |
Tensor
|
Eine tensor , die n Bounding Boxen mit der Form (n, 4) darstellt. |
erforderlich |
xywh |
bool
|
Bei True haben die Eingabefelder das Format (x, y, w, h). Wenn False, sind die Eingabefelder im (x1, y1, x2, y2) formatiert. Die Voreinstellung ist True. |
True
|
GIoU |
bool
|
Wenn True, wird der verallgemeinerte IoU berechnet. Der Standardwert ist False. |
False
|
DIoU |
bool
|
Wenn True, berechne die Entfernung IoU. Der Standardwert ist False. |
False
|
CIoU |
bool
|
Wenn True, wird der komplette IoU berechnet. Der Standardwert ist False. |
False
|
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-7. |
1e-07
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
IoU-, GIoU-, DIoU- oder CIoU-Werte abhÀngig von den angegebenen Flags. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.mask_iou(mask1, mask2, eps=1e-07)
Berechne die Masken IoU.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
mask1 |
Tensor
|
A tensor der Form (N, n), wobei N die Anzahl der Ground-Truth-Objekte ist und n die Produkt aus Bildbreite und -höhe ist. |
erforderlich |
mask2 |
Tensor
|
A tensor der Form (M, n), wobei M die Anzahl der vorhergesagten Objekte und n die Produkt aus Bildbreite und -höhe ist. |
erforderlich |
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-7. |
1e-07
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
A tensor der Form (N, M), die die Masken IoU darstellt. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.kpt_iou(kpt1, kpt2, area, sigma, eps=1e-07)
Berechne die Objekt-Keypoint-Ăhnlichkeit (OKS).
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
kpt1 |
Tensor
|
A tensor mit der Form (N, 17, 3), die die Eckpunkte der Grundwahrheit darstellt. |
erforderlich |
kpt2 |
Tensor
|
A tensor der Form (M, 17, 3), die die vorhergesagten SchlĂŒsselpunkte darstellt. |
erforderlich |
area |
Tensor
|
A tensor der Form (N,), die FlÀchen aus der Bodenwahrheit darstellt. |
erforderlich |
sigma |
list
|
Eine Liste mit 17 Werten, die die Keypoint-Skalen darstellen. |
erforderlich |
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-7. |
1e-07
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
A tensor der Form (N, M), die die Ăhnlichkeit der SchlĂŒsselpunkte darstellt. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics._get_covariance_matrix(boxes)
Generierung der Kovarianzmatrix aus Obbs.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
boxes |
Tensor
|
Eine tensor der Form (N, 5), die gedrehte Boundingboxen im xywhr-Format darstellt. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
Kovarianzmetriken, die den ursprĂŒnglichen gedrehten Boundingboxen entsprechen. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.probiou(obb1, obb2, CIoU=False, eps=1e-07)
Berechne die Wahrscheinlichkeit von IoU zwischen orientierten Boundingboxen, https://arxiv.org/pdf/2106.06072v1.pdf.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
obb1 |
Tensor
|
Eine tensor der Form (N, 5), die Ground Truth Obbs im xywhr-Format darstellt. |
erforderlich |
obb2 |
Tensor
|
Eine tensor der Form (N, 5), die die vorhergesagten Obbs im xywhr-Format darstellt. |
erforderlich |
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-7. |
1e-07
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
A tensor der Form (N, ), die obb Ăhnlichkeiten darstellt. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.batch_probiou(obb1, obb2, eps=1e-07)
Berechne die Wahrscheinlichkeit von IoU zwischen orientierten Boundingboxen, https://arxiv.org/pdf/2106.06072v1.pdf.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
obb1 |
Tensor | ndarray
|
Eine tensor der Form (N, 5), die Ground Truth Obbs im xywhr-Format darstellt. |
erforderlich |
obb2 |
Tensor | ndarray
|
Eine tensor der Form (M, 5), die die vorhergesagten Obbs im xywhr-Format darstellt. |
erforderlich |
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-7. |
1e-07
|
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
A tensor der Form (N, M), die Obb-Ăhnlichkeiten darstellt. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.smooth_BCE(eps=0.1)
Berechnet geglÀttete positive und negative Binary Cross-Entropy Ziele.
Diese Funktion berechnet positive und negative Label-GlÀttungs-BCE-Ziele basierend auf einem bestimmten Epsilon-Wert. Einzelheiten zur Implementierung findest du unter https://github.com/ultralytics/yolov3/issues/238#issuecomment-598028441.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
eps |
float
|
Der Epsilon-Wert fĂŒr die EtikettenglĂ€ttung. Der Standardwert ist 0,1. |
0.1
|
Retouren:
Typ | Beschreibung |
---|---|
tuple
|
Ein Tupel, das die BCE-Ziele fĂŒr die GlĂ€ttung positiver und negativer Labels enthĂ€lt. |
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.smooth(y, f=0.05)
Boxfilter der Fraktion f.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.plot_pr_curve(px, py, ap, save_dir=Path('pr_curve.png'), names=(), on_plot=None)
Zeichnet eine Kurve fĂŒr die Genauigkeit des Abrufs.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.plot_mc_curve(px, py, save_dir=Path('mc_curve.png'), names=(), xlabel='Confidence', ylabel='Metric', on_plot=None)
Zeichnet eine metrische Konfidenzkurve.
Quellcode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.compute_ap(recall, precision)
Berechne die durchschnittliche Genauigkeit (AP) anhand der Recall- und PrÀzisionskurven.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
recall |
list
|
Die RĂŒckrufkurve. |
erforderlich |
precision |
list
|
Die PrÀzisionskurve. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
float
|
Durchschnittliche Genauigkeit. |
ndarray
|
PrĂ€zise HĂŒllkurve. |
ndarray
|
GeÀnderte Recall-Kurve mit zusÀtzlichen Sentinel-Werten am Anfang und Ende. |
Quellcode in ultralytics/utils/metrics.py
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='')
Berechnet die durchschnittliche Genauigkeit pro Klasse fĂŒr die Auswertung der Objekterkennung.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
tp |
ndarray
|
BinÀres Array, das angibt, ob die Erkennung korrekt ist (True) oder nicht (False). |
erforderlich |
conf |
ndarray
|
Eine Reihe von Konfidenzwerten fĂŒr die Erkennungen. |
erforderlich |
pred_cls |
ndarray
|
Array der vorhergesagten Klassen der Entdeckungen. |
erforderlich |
target_cls |
ndarray
|
Array der wahren Klassen der Erkennungen. |
erforderlich |
plot |
bool
|
Ob PR-Kurven gezeichnet werden sollen oder nicht. Der Standardwert ist False. |
False
|
on_plot |
func
|
Ein Callback, um den Pfad und die Daten der Plots zu ĂŒbergeben, wenn sie gerendert werden. Der Standardwert ist None. |
None
|
save_dir |
Path
|
Verzeichnis zum Speichern der PR-Kurven. StandardmĂ€Ăig wird ein leerer Pfad verwendet. |
Path()
|
names |
tuple
|
Tupel mit Klassennamen fĂŒr die Darstellung von PR-Kurven. Der Standardwert ist ein leeres Tupel. |
()
|
eps |
float
|
Ein kleiner Wert, um eine Division durch Null zu vermeiden. Der Standardwert ist 1e-16. |
1e-16
|
prefix |
str
|
Ein PrÀfix-String zum Speichern der Plotdateien. Der Standardwert ist eine leere Zeichenkette. |
''
|
Retouren:
Typ | Beschreibung |
---|---|
tuple
|
Ein Tupel aus sechs Arrays und einem Array mit eindeutigen Klassen, wobei: tp (np.ndarray): WahrheitsgemĂ€Ăe positive ZĂ€hlungen am Schwellenwert, der durch die maximale F1-Metrik fĂŒr jede Klasse gegeben ist. fp (np.ndarray): Anzahl der Falsch-Positiven am Schwellenwert, der durch die maximale F1-Metrik fĂŒr jede Klasse vorgegeben ist. Shape: (nc,). p (np.ndarray): PrĂ€zisionswerte am Schwellenwert, der durch die maximale F1-Metrik fĂŒr jede Klasse vorgegeben ist. Shape: (nc,). r (np.ndarray): Recall-Werte am Schwellenwert, der durch die maximale F1-Metrik fĂŒr jede Klasse vorgegeben ist. Shape: (nc,). f1 (np.ndarray): F1-Score-Werte am Schwellenwert, der durch die maximale F1-Metrik fĂŒr jede Klasse gegeben ist. Form: (nc,). ap (np.ndarray): Durchschnittliche Genauigkeit fĂŒr jede Klasse bei verschiedenen IoU-Schwellenwerten. Shape: (nc, 10). unique_classes (np.ndarray): Ein Array mit eindeutigen Klassen, die Daten haben. Shape: (nc,). p_curve (np.ndarray): PrĂ€zisionskurven fĂŒr jede Klasse. Form: (nc, 1000). r_curve (np.ndarray): Recall-Kurven fĂŒr jede Klasse. Form: (nc, 1000). f1_curve (np.ndarray): F1-Score-Kurven fĂŒr jede Klasse. Form: (nc, 1000). x (np.ndarray): X-Achsenwerte fĂŒr die Kurven. Shape: (1000,). prec_values: PrĂ€zisionswerte auf mAP@0.5 fĂŒr jede Klasse. Shape: (nc, 1000). |
Quellcode in ultralytics/utils/metrics.py
529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 |
|
Erstellt am 2023-11-12, Aktualisiert am 2024-05-08
Autoren: Burhan-Q (1), glenn-jocher (5), Laughing-q (1)