सामग्री पर जाएं

के लिए संदर्भ ultralytics/utils/metrics.py

नोट

यह फ़ाइल यहाँ उपलब्ध है https://github.com/ultralytics/ultralytics/बूँद/मुख्य/ultralytics/utils/metrics.py का उपयोग करें। यदि आप कोई समस्या देखते हैं तो कृपया पुल अनुरोध का योगदान करके इसे ठीक करने में मदद करें 🛠️। 🙏 धन्यवाद !



ultralytics.utils.metrics.ConfusionMatrix

ऑब्जेक्ट डिटेक्शन और वर्गीकरण कार्यों के लिए भ्रम मैट्रिक्स की गणना और अद्यतन करने के लिए एक वर्ग।

विशेषताएँ:

नाम प्रकार या क़िस्‍म
task str

कार्य का प्रकार, या तो 'पता लगाना' या 'वर्गीकृत'।

matrix ndarray

भ्रम मैट्रिक्स, कार्य के आधार पर आयामों के साथ।

nc int

कक्षाओं की संख्या.

conf float

पता लगाने के लिए आत्मविश्वास दहलीज।

iou_thres float

संघ की दहलीज पर चौराहा।

में स्रोत कोड 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  # scope for faster 'import ultralytics'

        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
        seaborn.set_theme(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
            seaborn.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')

के लिए विशेषताएँ प्रारंभ करें YOLO को गढ़ना।

में स्रोत कोड ultralytics/utils/metrics.py
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()

भ्रम मैट्रिक्स लौटाता है।

में स्रोत कोड ultralytics/utils/metrics.py
def matrix(self):
    """Returns the confusion matrix."""
    return self.matrix

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

सीबॉर्न का उपयोग करके भ्रम मैट्रिक्स को प्लॉट करें और इसे एक फ़ाइल में सहेजें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
normalize bool

भ्रम मैट्रिक्स को सामान्य करना है या नहीं।

True
save_dir str

निर्देशिका जहां प्लॉट सहेजा जाएगा।

''
names tuple

भूखंड पर लेबल के रूप में उपयोग किए जाने वाले वर्गों के नाम।

()
on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक वैकल्पिक कॉलबैक जब वे प्रस्तुत किए जाते हैं।

None
में स्रोत कोड ultralytics/utils/metrics.py
@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  # scope for faster 'import ultralytics'

    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
    seaborn.set_theme(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
        seaborn.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()

कंसोल पर भ्रम मैट्रिक्स प्रिंट करें।

में स्रोत कोड ultralytics/utils/metrics.py
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)

ऑब्जेक्ट डिटेक्शन कार्य के लिए भ्रम मैट्रिक्स अपडेट करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
detections Array[N, 6] | Array[N, 7]

बाउंडिंग बॉक्स और उनकी संबंधित जानकारी का पता लगाया। प्रत्येक पंक्ति में (x1, y1, x2, y2, conf, class) होना चाहिए या एक अतिरिक्त तत्व के साथ angle जब यह ओबीबी है।

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

xyxy/xyxyr प्रारूप के साथ ग्राउंड ट्रुथ बाउंडिंग बॉक्स।

आवश्यक
gt_cls Array[M]

वर्ग लेबल।

आवश्यक
में स्रोत कोड ultralytics/utils/metrics.py
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)

वर्गीकरण कार्य के लिए भ्रम मैट्रिक्स अपडेट करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
preds Array[N, min(nc, 5)]

अनुमानित वर्ग लेबल।

आवश्यक
targets Array[N, 1]

ग्राउंड ट्रुथ क्लास लेबल।

आवश्यक
में स्रोत कोड ultralytics/utils/metrics.py
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()

सच्ची सकारात्मकता और झूठी सकारात्मकता लौटाता है।

में स्रोत कोड 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

का रूप: SimpleClass

के लिए मूल्यांकन मेट्रिक्स की गणना के लिए वर्ग YOLOv8 को गढ़ना।

विशेषताएँ:

नाम प्रकार या क़िस्‍म
p list

प्रत्येक वर्ग के लिए परिशुद्धता। आकार: (एनसी,)।

r list

प्रत्येक वर्ग के लिए याद करें। आकार: (एनसी,)।

f1 list

प्रत्येक वर्ग के लिए F1 स्कोर। आकार: (एनसी,)।

all_ap list

सभी वर्गों और सभी IoU थ्रेसहोल्ड के लिए AP स्कोर। आकार: (एनसी, 10)।

ap_class_index list

प्रत्येक एपी स्कोर के लिए कक्षा का सूचकांक। आकार: (एनसी,)।

nc int

कक्षाओं की संख्या।

विधियाँ:

नाम या क़िस्‍म
ap50

सभी वर्गों के लिए 0.5 की IoU सीमा पर AP। रिटर्न: एपी स्कोर की सूची। आकार: (एनसी,) या []।

ap

सभी वर्गों के लिए 0.5 से 0.95 तक IoU थ्रेसहोल्ड पर AP। रिटर्न: एपी स्कोर की सूची। आकार: (एनसी,) या []।

mp

सभी वर्गों की औसत सटीकता। रिटर्न: फ्लोट।

mr

सभी वर्गों का मतलब याद है। रिटर्न: फ्लोट।

map50

सभी वर्गों के लिए 0.5 की IoU सीमा पर औसत AP। रिटर्न: फ्लोट।

map75

सभी वर्गों के लिए 0.75 की IoU सीमा पर औसत AP। रिटर्न: फ्लोट।

map

सभी वर्गों के लिए 0.5 से 0.95 तक IoU थ्रेसहोल्ड पर औसत AP। रिटर्न: फ्लोट।

mean_results

परिणामों का मतलब, रिटर्न एमपी, एमआर, मैप50, मैप।

class_result

क्लास-अवेयर परिणाम, p[i], r[i], ap50[i], ap[i] लौटाता है।

maps

प्रत्येक वर्ग का एमएपी। रिटर्न: एमएपी स्कोर की सरणी, आकार: (एनसी,)।

fitness

मैट्रिक्स के भारित संयोजन के रूप में मॉडल फिटनेस। रिटर्न: फ्लोट।

update

नए मूल्यांकन परिणामों के साथ मीट्रिक विशेषताएँ अपडेट करें.

में स्रोत कोड 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

सभी वर्गों के लिए 0.5-0.95 की IoU सीमा पर औसत परिशुद्धता (AP) देता है.

देता:

प्रकार या क़िस्‍म
(ndarray, list)

प्रति वर्ग AP50-95 मानों के साथ आकृति (nc,) की सरणी, या यदि उपलब्ध नहीं है तो एक खाली सूची।

ap50 property

सभी वर्गों के लिए 0.5 की IoU सीमा पर औसत परिशुद्धता (AP) देता है.

देता:

प्रकार या क़िस्‍म
(ndarray, list)

प्रति वर्ग AP50 मानों के साथ आकृति (nc,) की सरणी, या यदि उपलब्ध नहीं है तो एक खाली सूची।

curves property

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

curves_results property

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

map property

0.05 के चरणों में 0.5 - 0.95 की IoU थ्रेशोल्ड पर माध्य औसत परिशुद्धता (mAP) देता है.

देता:

प्रकार या क़िस्‍म
float

0.05 के चरणों में 0.5 - 0.95 के IoU थ्रेसहोल्ड पर mAP।

map50 property

माध्य औसत परिशुद्धता (mAP) को 0.5 की IoU सीमा पर देता है.

देता:

प्रकार या क़िस्‍म
float

0.5 की IoU सीमा पर mAP।

map75 property

माध्य औसत परिशुद्धता (mAP) 0.75 की IoU सीमा पर देता है.

देता:

प्रकार या क़िस्‍म
float

0.75 की IoU सीमा पर mAP।

maps property

प्रत्येक वर्ग का नक्शा।

mp property

सभी वर्गों की माध्य परिशुद्धता देता है.

देता:

प्रकार या क़िस्‍म
float

सभी वर्गों की औसत परिशुद्धता।

mr property

सभी वर्गों का मीन रिकॉल देता है।

देता:

प्रकार या क़िस्‍म
float

सभी वर्गों का माध्य स्मरण।

__init__()

के लिए मूल्यांकन मेट्रिक्स की गणना के लिए एक मीट्रिक इंस्टेंस को इनिशियलाइज़ करता है YOLOv8 को गढ़ना।

में स्रोत कोड ultralytics/utils/metrics.py
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)

वर्ग-जागरूक परिणाम, रिटर्न पी [आई], आर [आई], एपी 50 [आई], एपी [आई]।

में स्रोत कोड 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()

मैट्रिक्स के भारित संयोजन के रूप में मॉडल फिटनेस।

में स्रोत कोड ultralytics/utils/metrics.py
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()

परिणामों का मतलब, वापसी एमपी, श्री, मानचित्र 50, नक्शा।

में स्रोत कोड 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)

परिणामों के एक नए सेट के साथ मॉडल के मूल्यांकन मीट्रिक को अपडेट करता है।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
results tuple

एक टपल जिसमें निम्नलिखित मूल्यांकन मीट्रिक शामिल हैं: - पी (सूची): प्रत्येक वर्ग के लिए परिशुद्धता। आकार: (एनसी,)। - r (सूची): प्रत्येक वर्ग के लिए याद करें। आकार: (एनसी,)। - f1 (सूची): प्रत्येक वर्ग के लिए F1 स्कोर। आकार: (एनसी,)। - all_ap (सूची): सभी वर्गों और सभी IoU थ्रेसहोल्ड के लिए AP स्कोर। आकार: (एनसी, 10)। - ap_class_index (सूची): प्रत्येक एपी स्कोर के लिए कक्षा का सूचकांक। आकार: (एनसी,)।

आवश्यक
दुष्प्रभाव

वर्ग विशेषताओं को अद्यतन करता है self.p, self.r, self.f1, self.all_apऔर self.ap_class_index आधारित में प्रदान किए गए मूल्यों पर results टपल।

में स्रोत कोड ultralytics/utils/metrics.py
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

का रूप: SimpleClass

यह वर्ग सटीक, याद और औसत परिशुद्धता जैसे डिटेक्शन मेट्रिक्स की गणना के लिए एक उपयोगिता वर्ग है (एमएपी) एक ऑब्जेक्ट डिटेक्शन मॉडल का।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
save_dir Path

निर्देशिका के लिए एक पथ जहां आउटपुट प्लॉट सहेजे जाएंगे। वर्तमान निर्देशिका के लिए डिफ़ॉल्ट।

Path('.')
plot bool

एक ध्वज जो इंगित करता है कि प्रत्येक वर्ग के लिए सटीक-याद घटता है या नहीं। डिफ़ॉल्ट रूप से गलत है.

False
on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक वैकल्पिक कॉलबैक जब वे प्रस्तुत किए जाते हैं। कोई नहीं करने के लिए डिफ़ॉल्ट।

None
names tuple of str

तारों का एक टपल जो वर्गों के नामों का प्रतिनिधित्व करता है। एक खाली टपल के लिए डिफ़ॉल्ट।

()

विशेषताएँ:

नाम प्रकार या क़िस्‍म
save_dir Path

निर्देशिका के लिए एक पथ जहां आउटपुट प्लॉट सहेजे जाएंगे।

plot bool

एक ध्वज जो इंगित करता है कि प्रत्येक वर्ग के लिए सटीक-याद घटता को प्लॉट करना है या नहीं।

on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक वैकल्पिक कॉलबैक जब वे प्रस्तुत किए जाते हैं।

names tuple of str

तारों का एक टपल जो वर्गों के नामों का प्रतिनिधित्व करता है।

box Metric

डिटेक्शन मेट्रिक्स के परिणामों को संग्रहीत करने के लिए मीट्रिक वर्ग का एक उदाहरण।

speed dict

पता लगाने की प्रक्रिया के विभिन्न भागों के निष्पादन समय के भंडारण के लिए एक शब्दकोश।

विधियाँ:

नाम या क़िस्‍म
process

पूर्वानुमानों के नवीनतम बैच के साथ मीट्रिक परिणामों को अपडेट करता है।

keys

परिकलित डिटेक्शन मेट्रिक्स तक पहुँचने के लिए कुंजियों की एक सूची देता है.

mean_results

परिकलित डिटेक्शन मेट्रिक्स के लिए माध्य मानों की एक सूची देता है.

class_result

किसी विशिष्ट वर्ग के लिए परिकलित डिटेक्शन मेट्रिक्स के मानों की सूची देता है.

maps

विभिन्न IoU थ्रेशोल्ड के लिए माध्य औसत परिशुद्धता (mAP) मानों का शब्दकोश देता है.

fitness

गणना की गई पहचान मीट्रिक के आधार पर फिटनेस स्कोर की गणना करता है।

ap_class_index

वर्ग सूचकांकों की एक सूची देता है जिन्हें उनके औसत परिशुद्धता (AP) मानों द्वारा क्रमबद्ध किया जाता है.

results_dict

एक शब्दकोश लौटाता है जो डिटेक्शन मीट्रिक कुंजियों को उनके परिकलित मानों पर मैप करता है.

curves

टूडो

curves_results

टूडो

में स्रोत कोड ultralytics/utils/metrics.py
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

प्रति वर्ग औसत परिशुद्धता सूचकांक देता है.

curves property

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

curves_results property

गणना किए गए प्रदर्शन मैट्रिक्स और आंकड़ों का शब्दकोश देता है।

fitness property

बॉक्स ऑब्जेक्ट की फिटनेस लौटाता है।

keys property

विशिष्ट मीट्रिक तक पहुँचने के लिए कुंजियों की एक सूची देता है।

maps property

रिटर्न का मतलब प्रति वर्ग औसत परिशुद्धता (एमएपी) स्कोर है।

results_dict property

गणना किए गए प्रदर्शन मैट्रिक्स और आंकड़ों का शब्दकोश देता है।

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

एक सेव डायरेक्टरी, प्लॉट फ्लैग, कॉलबैक फ़ंक्शन और क्लास नामों के साथ एक DetMetrics इंस्टेंस को इनिशियलाइज़ करें।

में स्रोत कोड ultralytics/utils/metrics.py
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)

एक विशिष्ट वर्ग पर ऑब्जेक्ट डिटेक्शन मॉडल के प्रदर्शन का मूल्यांकन करने का परिणाम लौटाएं।

में स्रोत कोड 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()

पता चला वस्तुओं का मतलब की गणना & वापसी परिशुद्धता, याद, mAP50, और mAP50-95.

में स्रोत कोड 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)

ऑब्जेक्ट डिटेक्शन और अपडेट मेट्रिक्स के लिए अनुमानित परिणामों की प्रक्रिया करें।

में स्रोत कोड ultralytics/utils/metrics.py
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

का रूप: SimpleClass

कक्षाओं के किसी दिए गए सेट पर पता लगाने और विभाजन मैट्रिक्स की गणना और समुच्चय करता है।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
save_dir Path

निर्देशिका के लिए पथ जहां आउटपुट प्लॉट सहेजे जाने चाहिए। डिफ़ॉल्ट वर्तमान निर्देशिका है।

Path('.')
plot bool

चाहे पता लगाने और विभाजन भूखंडों को बचाने के लिए। डिफ़ॉल्ट ग़लत है.

False
on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक वैकल्पिक कॉलबैक जब वे प्रस्तुत किए जाते हैं। कोई नहीं करने के लिए डिफ़ॉल्ट।

None
names list

वर्ग के नामों की सूची। डिफ़ॉल्ट एक रिक्त सूची है.

()

विशेषताएँ:

नाम प्रकार या क़िस्‍म
save_dir Path

निर्देशिका के लिए पथ जहां आउटपुट प्लॉट सहेजे जाने चाहिए।

plot bool

चाहे पता लगाने और विभाजन भूखंडों को बचाने के लिए।

on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक वैकल्पिक कॉलबैक जब वे प्रस्तुत किए जाते हैं।

names list

वर्ग के नामों की सूची।

box Metric

बॉक्स डिटेक्शन मेट्रिक्स की गणना करने के लिए मीट्रिक वर्ग का एक उदाहरण.

seg Metric

मास्क विभाजन मीट्रिक की गणना करने के लिए मीट्रिक वर्ग का एक उदाहरण।

speed dict

अनुमान के विभिन्न चरणों में लिए गए समय को संग्रहीत करने के लिए शब्दकोश।

विधियाँ:

नाम या क़िस्‍म
process

भविष्यवाणियों के दिए गए सेट पर मैट्रिक्स संसाधित करता है।

mean_results

सभी वर्गों पर पता लगाने और विभाजन मैट्रिक्स का माध्य देता है।

class_result

वर्ग की खोज और विभाजन मैट्रिक्स लौटाता है i.

maps

0.50 से 0.95 तक की IoU थ्रेशोल्ड के लिए माध्य औसत परिशुद्धता (mAP) स्कोर देता है.

fitness

फ़िटनेस स्कोर लौटाता है, जो मेट्रिक्स का एकल भारित संयोजन होता है.

ap_class_index

औसत परिशुद्धता (AP) की गणना करने के लिए उपयोग किए जाने वाले वर्गों के सूचकांकों की सूची देता है.

results_dict

सभी पहचान और विभाजन मैट्रिक्स और फिटनेस स्कोर युक्त शब्दकोश देता है.

में स्रोत कोड 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

बक्से और मास्क का एक ही ap_class_index है।

curves property

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

curves_results property

गणना किए गए प्रदर्शन मैट्रिक्स और आंकड़ों का शब्दकोश देता है।

fitness property

विभाजन और बाउंडिंग बॉक्स मॉडल दोनों के लिए फिटनेस स्कोर प्राप्त करें।

keys property

मीट्रिक तक पहुँचने के लिए कुंजियों की एक सूची देता है।

maps property

ऑब्जेक्ट डिटेक्शन और सिमेंटिक सेगमेंटेशन मॉडल के लिए mAP स्कोर देता है।

results_dict property

मूल्यांकन के लिए ऑब्जेक्ट डिटेक्शन मॉडल के परिणाम देता है।

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

एक सहेजें निर्देशिका, प्लॉट ध्वज, कॉलबैक फ़ंक्शन और वर्ग नामों के साथ एक सेगमेंटमेट्रिक्स उदाहरण प्रारंभ करें।

में स्रोत कोड ultralytics/utils/metrics.py
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)

किसी निर्दिष्ट वर्ग अनुक्रमणिका के लिए वर्गीकरण परिणाम देता है.

में स्रोत कोड 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()

बाउंडिंग बॉक्स और विभाजन परिणामों के लिए माध्य मीट्रिक लौटाएं।

में स्रोत कोड 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)

भविष्यवाणियों के दिए गए सेट पर पता लगाने और विभाजन मीट्रिक को संसाधित करता है।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
tp list

ट्रू पॉजिटिव बॉक्स की सूची।

आवश्यक
tp_m list

ट्रू पॉजिटिव मास्क की सूची।

आवश्यक
conf list

आत्मविश्वास स्कोर की सूची।

आवश्यक
pred_cls list

अनुमानित वर्गों की सूची।

आवश्यक
target_cls list

लक्ष्य वर्गों की सूची।

आवश्यक
में स्रोत कोड ultralytics/utils/metrics.py
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

का रूप: SegmentMetrics

कक्षाओं के किसी दिए गए सेट पर गणना और पता लगाने और मैट्रिक्स को एकत्रित करता है।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
save_dir Path

निर्देशिका के लिए पथ जहां आउटपुट प्लॉट सहेजे जाने चाहिए। डिफ़ॉल्ट वर्तमान निर्देशिका है।

Path('.')
plot bool

चाहे पता लगाने और विभाजन भूखंडों को बचाने के लिए। डिफ़ॉल्ट ग़लत है.

False
on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक वैकल्पिक कॉलबैक जब वे प्रस्तुत किए जाते हैं। कोई नहीं करने के लिए डिफ़ॉल्ट।

None
names list

वर्ग के नामों की सूची। डिफ़ॉल्ट एक रिक्त सूची है.

()

विशेषताएँ:

नाम प्रकार या क़िस्‍म
save_dir Path

निर्देशिका के लिए पथ जहां आउटपुट प्लॉट सहेजे जाने चाहिए।

plot bool

चाहे पता लगाने और विभाजन भूखंडों को बचाने के लिए।

on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक वैकल्पिक कॉलबैक जब वे प्रस्तुत किए जाते हैं।

names list

वर्ग के नामों की सूची।

box Metric

बॉक्स डिटेक्शन मेट्रिक्स की गणना करने के लिए मीट्रिक वर्ग का एक उदाहरण.

pose Metric

मास्क विभाजन मीट्रिक की गणना करने के लिए मीट्रिक वर्ग का एक उदाहरण।

speed dict

अनुमान के विभिन्न चरणों में लिए गए समय को संग्रहीत करने के लिए शब्दकोश।

विधियाँ:

नाम या क़िस्‍म
process

भविष्यवाणियों के दिए गए सेट पर मैट्रिक्स संसाधित करता है।

mean_results

सभी वर्गों पर पता लगाने और विभाजन मैट्रिक्स का माध्य देता है।

class_result

वर्ग की खोज और विभाजन मैट्रिक्स लौटाता है i.

maps

0.50 से 0.95 तक की IoU थ्रेशोल्ड के लिए माध्य औसत परिशुद्धता (mAP) स्कोर देता है.

fitness

फ़िटनेस स्कोर लौटाता है, जो मेट्रिक्स का एकल भारित संयोजन होता है.

ap_class_index

औसत परिशुद्धता (AP) की गणना करने के लिए उपयोग किए जाने वाले वर्गों के सूचकांकों की सूची देता है.

results_dict

सभी पहचान और विभाजन मैट्रिक्स और फिटनेस स्कोर युक्त शब्दकोश देता है.

में स्रोत कोड 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

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

curves_results property

गणना किए गए प्रदर्शन मैट्रिक्स और आंकड़ों का शब्दकोश देता है।

fitness property

वर्गीकरण मीट्रिक और गति का उपयोग करके गणना करता है targets और pred जानकारी।

keys property

मूल्यांकन मीट्रिक कुंजी की सूची लौटाता है।

maps property

बॉक्स और मुद्रा डिटेक्शन दोनों के लिए प्रति वर्ग माध्य औसत परिशुद्धता (mAP) देता है.

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

PoseMetrics क्लास को डायरेक्टरी पथ, क्लास नाम और प्लॉटिंग विकल्पों के साथ इनिशियलाइज़ करें।

में स्रोत कोड ultralytics/utils/metrics.py
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)

एक विशिष्ट वर्ग i के लिए कक्षावार पहचान परिणाम लौटाएं।

में स्रोत कोड ultralytics/utils/metrics.py
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()

बॉक्स और मुद्रा के माध्य परिणाम लौटाएं।

में स्रोत कोड ultralytics/utils/metrics.py
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)

भविष्यवाणियों के दिए गए सेट पर पता लगाने और मेट्रिक्स को संसाधित करता है।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
tp list

ट्रू पॉजिटिव बॉक्स की सूची।

आवश्यक
tp_p list

सच्चे सकारात्मक कीपॉइंट्स की सूची।

आवश्यक
conf list

आत्मविश्वास स्कोर की सूची।

आवश्यक
pred_cls list

अनुमानित वर्गों की सूची।

आवश्यक
target_cls list

लक्ष्य वर्गों की सूची।

आवश्यक
में स्रोत कोड ultralytics/utils/metrics.py
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

का रूप: SimpleClass

शीर्ष -1 और शीर्ष -5 सटीकता सहित कंप्यूटिंग वर्गीकरण मैट्रिक्स के लिए वर्ग।

विशेषताएँ:

नाम प्रकार या क़िस्‍म
top1 float

शीर्ष -1 सटीकता।

top5 float

शीर्ष -5 सटीकता।

speed Dict[str, float]

एक शब्दकोश जिसमें पाइपलाइन में प्रत्येक चरण के लिए लिया गया समय निहित है।

गुण

फिटनेस (फ्लोट): मॉडल की फिटनेस, जो टॉप-5 एक्यूरेसी के बराबर है। results_dict (डिक्ट [एसटीआर, यूनियन [फ्लोट, एसटीआर]]): वर्गीकरण मैट्रिक्स और फिटनेस युक्त एक शब्दकोश। keys (List [str]): results_dict के लिए कुंजियों की एक सूची।

विधियाँ:

नाम या क़िस्‍म
process

वर्गीकरण मीट्रिक की गणना करने के लिए लक्ष्यों और भविष्यवाणियों को संसाधित करता है।

में स्रोत कोड ultralytics/utils/metrics.py
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

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

curves_results property

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

fitness property

रिटर्न का मतलब फिटनेस स्कोर के रूप में शीर्ष -1 और शीर्ष -5 सटीकता है।

keys property

results_dict गुण के लिए कुंजियों की सूची लौटाता है.

results_dict property

मॉडल के प्रदर्शन मीट्रिक और फ़िटनेस स्कोर के साथ एक शब्दकोश लौटाता है.

__init__()

ClassifyMetrics इंस्टेंस शुरू करें.

में स्रोत कोड ultralytics/utils/metrics.py
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)

लक्ष्य कक्षाएं और अनुमानित कक्षाएं।

में स्रोत कोड ultralytics/utils/metrics.py
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

का रूप: SimpleClass

में स्रोत कोड ultralytics/utils/metrics.py
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

प्रति वर्ग औसत परिशुद्धता सूचकांक देता है.

curves property

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

curves_results property

विशिष्ट मीट्रिक वक्रों तक पहुँचने के लिए वक्रों की एक सूची देता है।

fitness property

बॉक्स ऑब्जेक्ट की फिटनेस लौटाता है।

keys property

विशिष्ट मीट्रिक तक पहुँचने के लिए कुंजियों की एक सूची देता है।

maps property

रिटर्न का मतलब प्रति वर्ग औसत परिशुद्धता (एमएपी) स्कोर है।

results_dict property

गणना किए गए प्रदर्शन मैट्रिक्स और आंकड़ों का शब्दकोश देता है।

class_result(i)

एक विशिष्ट वर्ग पर ऑब्जेक्ट डिटेक्शन मॉडल के प्रदर्शन का मूल्यांकन करने का परिणाम लौटाएं।

में स्रोत कोड 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()

पता चला वस्तुओं का मतलब की गणना & वापसी परिशुद्धता, याद, mAP50, और mAP50-95.

में स्रोत कोड 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)

ऑब्जेक्ट डिटेक्शन और अपडेट मेट्रिक्स के लिए अनुमानित परिणामों की प्रक्रिया करें।

में स्रोत कोड ultralytics/utils/metrics.py
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)

दिए गए बॉक्स 2 क्षेत्र पर चौराहे की गणना करें बॉक्स 1 और बॉक्स 2। बॉक्स x1y1x2y2 प्रारूप में हैं।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
box1 ndarray

आकार की एक सुन्न सरणी (एन, 4) जो एन बाउंडिंग बॉक्स का प्रतिनिधित्व करती है।

आवश्यक
box2 ndarray

आकार की एक सुन्न सरणी (एम, 4) जो एम बाउंडिंग बॉक्स का प्रतिनिधित्व करती है।

आवश्यक
iou bool

मानक IoU की गणना करें यदि सही है अन्यथा inter_area/box2_area लौटाएं।

False
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-7 के लिए डिफ़ॉल्ट।

1e-07

देता:

प्रकार या क़िस्‍म
ndarray

आकार की एक सुन्न सरणी (n, m) बॉक्स 2 क्षेत्र पर चौराहे का प्रतिनिधित्व करती है।

में स्रोत कोड ultralytics/utils/metrics.py
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)

बक्से के चौराहे-ओवर-यूनियन (IoU) की गणना करें। बॉक्स के दोनों सेट (x1, y1, x2, y2) प्रारूप में होने की उम्मीद है। https://github.com/ आधार परpytorch/दृष्टि/बूँद/मास्टर/मशालविजन/ऑप्स/boxes.py

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
box1 Tensor

एक tensor आकार का (एन, 4) एन बाउंडिंग बॉक्स का प्रतिनिधित्व करता है।

आवश्यक
box2 Tensor

एक tensor आकार का (एम, 4) एम बाउंडिंग बॉक्स का प्रतिनिधित्व करता है।

आवश्यक
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-7 के लिए डिफ़ॉल्ट।

1e-07

देता:

प्रकार या क़िस्‍म
Tensor

एक एनएक्सएम tensor जिसमें बॉक्स 1 और बॉक्स 2 में प्रत्येक तत्व के लिए जोड़ीदार IoU मान शामिल हैं।

में स्रोत कोड ultralytics/utils/metrics.py
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)

बॉक्स 1 (1, 4) से बॉक्स 2 (एन, 4) के संघ (आईओयू) पर चौराहे की गणना करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
box1 Tensor

एक tensor आकार (1, 4) के साथ एक एकल बाउंडिंग बॉक्स का प्रतिनिधित्व करना।

आवश्यक
box2 Tensor

एक tensor आकार के साथ एन बाउंडिंग बक्से का प्रतिनिधित्व (एन, 4)।

आवश्यक
xywh bool

यदि True है, तो इनपुट बॉक्स (x, y, w, h) स्वरूप में हैं। यदि गलत है, तो इनपुट बॉक्स (x1, y1, x2, y2) प्रारूप। सही करने के लिए डिफ़ॉल्ट।

True
GIoU bool

यदि सही है, तो सामान्यीकृत IoU की गणना करें। डिफ़ॉल्ट रूप से गलत है.

False
DIoU bool

यदि सही है, तो दूरी IoU की गणना करें। डिफ़ॉल्ट रूप से गलत है.

False
CIoU bool

यदि सही है, तो पूर्ण IoU की गणना करें। डिफ़ॉल्ट रूप से गलत है.

False
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-7 के लिए डिफ़ॉल्ट।

1e-07

देता:

प्रकार या क़िस्‍म
Tensor

निर्दिष्ट झंडे के आधार पर IoU, GIoU, DIoU, या CIoU मान।

में स्रोत कोड ultralytics/utils/metrics.py
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.pow(2) + ch.pow(2) + eps  # convex diagonal squared
            rho2 = (
                (b2_x1 + b2_x2 - b1_x1 - b1_x2).pow(2) + (b2_y1 + b2_y2 - b1_y1 - b1_y2).pow(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) * ((w2 / h2).atan() - (w1 / h1).atan()).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)

मास्क IoU की गणना करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
mask1 Tensor

एक tensor आकार का (N, n) जहाँ N जमीनी सत्य वस्तुओं की संख्या है और n है छवि चौड़ाई और ऊंचाई का उत्पाद।

आवश्यक
mask2 Tensor

एक tensor आकार का (M, n) जहाँ M पूर्वानुमानित वस्तुओं की संख्या है और n है छवि चौड़ाई और ऊंचाई का उत्पाद।

आवश्यक
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-7 के लिए डिफ़ॉल्ट।

1e-07

देता:

प्रकार या क़िस्‍म
Tensor

एक tensor आकार का (एन, एम) मास्क IoU का प्रतिनिधित्व करता है।

में स्रोत कोड ultralytics/utils/metrics.py
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)

ऑब्जेक्ट कीपॉइंट समानता (ओकेएस) की गणना करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
kpt1 Tensor

एक tensor आकार का (एन, 17, 3) जमीनी सच्चाई कीपॉइंट्स का प्रतिनिधित्व करता है।

आवश्यक
kpt2 Tensor

एक tensor आकार का (एम, 17, 3) अनुमानित कीपॉइंट्स का प्रतिनिधित्व करता है।

आवश्यक
area Tensor

एक tensor आकार का (एन,) जमीनी सच्चाई से क्षेत्रों का प्रतिनिधित्व करता है।

आवश्यक
sigma list

एक सूची जिसमें मुख्य बिंदु पैमानों का प्रतिनिधित्व करने वाले 17 मान होते हैं.

आवश्यक
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-7 के लिए डिफ़ॉल्ट।

1e-07

देता:

प्रकार या क़िस्‍म
Tensor

एक tensor आकार का (एन, एम) मुख्य बिंदु समानता का प्रतिनिधित्व करता है।

में स्रोत कोड ultralytics/utils/metrics.py
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]).pow(2) + (kpt1[:, None, :, 1] - kpt2[..., 1]).pow(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).pow(2) * (area[:, None, None] + eps) * 2)  # from cocoeval
    # e = d / ((area[None, :, None] + eps) * sigma) ** 2 / 2  # from formula
    return ((-e).exp() * kpt_mask[:, None]).sum(-1) / (kpt_mask.sum(-1)[:, None] + eps)



ultralytics.utils.metrics._get_covariance_matrix(boxes)

obbs से सहप्रसरण मैट्रिक्स उत्पन्न करना।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
boxes Tensor

एक tensor आकार का (एन, 5) घुमाए गए बाउंडिंग बॉक्स का प्रतिनिधित्व करता है, xywhr प्रारूप के साथ।

आवश्यक

देता:

प्रकार या क़िस्‍म
Tensor

मूल घुमाए गए बाउंडिंग बॉक्स के अनुरूप सहप्रसरण मेट्रिक्स।

में स्रोत कोड ultralytics/utils/metrics.py
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((boxes[:, 2:4].pow(2) / 12, boxes[:, 4:]), dim=-1)
    a, b, c = gbbs.split(1, dim=-1)
    cos = c.cos()
    sin = c.sin()
    cos2 = cos.pow(2)
    sin2 = sin.pow(2)
    return a * cos2 + b * sin2, a * sin2 + b * cos2, (a - b) * cos * sin



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

उन्मुख बाउंडिंग बक्से, https://arxiv.org/pdf/2106.06072v1.pdf के बीच समस्या IoU की गणना करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
obb1 Tensor

एक tensor आकार का (एन, 5) जमीनी सच्चाई ओब्स का प्रतिनिधित्व करता है, xywhr प्रारूप के साथ।

आवश्यक
obb2 Tensor

एक tensor आकार का (एन, 5) अनुमानित ओब्स का प्रतिनिधित्व करता है, xywhr प्रारूप के साथ।

आवश्यक
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-7 के लिए डिफ़ॉल्ट।

1e-07

देता:

प्रकार या क़िस्‍म
Tensor

एक tensor आकार का (एन, ) ओबीबी समानता का प्रतिनिधित्व करता है।

में स्रोत कोड ultralytics/utils/metrics.py
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) * (y1 - y2).pow(2) + (b1 + b2) * (x1 - x2).pow(2)) / ((a1 + a2) * (b1 + b2) - (c1 + c2).pow(2) + eps)
    ) * 0.25
    t2 = (((c1 + c2) * (x2 - x1) * (y1 - y2)) / ((a1 + a2) * (b1 + b2) - (c1 + c2).pow(2) + eps)) * 0.5
    t3 = (
        ((a1 + a2) * (b1 + b2) - (c1 + c2).pow(2))
        / (4 * ((a1 * b1 - c1.pow(2)).clamp_(0) * (a2 * b2 - c2.pow(2)).clamp_(0)).sqrt() + eps)
        + eps
    ).log() * 0.5
    bd = (t1 + t2 + t3).clamp(eps, 100.0)
    hd = (1.0 - (-bd).exp() + eps).sqrt()
    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) * ((w2 / h2).atan() - (w1 / h1).atan()).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)

उन्मुख बाउंडिंग बक्से, https://arxiv.org/pdf/2106.06072v1.pdf के बीच समस्या IoU की गणना करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
obb1 Tensor | ndarray

एक tensor आकार का (एन, 5) जमीनी सच्चाई ओब्स का प्रतिनिधित्व करता है, xywhr प्रारूप के साथ।

आवश्यक
obb2 Tensor | ndarray

एक tensor आकार का (एम, 5) अनुमानित ओब्स का प्रतिनिधित्व करता है, xywhr प्रारूप के साथ।

आवश्यक
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-7 के लिए डिफ़ॉल्ट।

1e-07

देता:

प्रकार या क़िस्‍म
Tensor

एक tensor आकार का (एन, एम) ओबीबी समानता का प्रतिनिधित्व करता है।

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



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

गणना ने सकारात्मक और नकारात्मक बाइनरी क्रॉस-एन्ट्रॉपी लक्ष्यों को सुचारू किया।

यह फ़ंक्शन किसी दिए गए एप्सिलॉन मूल्य के आधार पर सकारात्मक और नकारात्मक लेबल चौरसाई बीसीई लक्ष्यों की गणना करता है। कार्यान्वयन विवरण के लिए, https://github.com/ देखेंultralytics/yolov3/issues/238#issuecomment -598028441.

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
eps float

लेबल चौरसाई के लिए एप्सिलॉन मान। 0.1 के लिए डिफ़ॉल्ट।

0.1

देता:

प्रकार या क़िस्‍म
tuple

एक टपल जिसमें सकारात्मक और नकारात्मक लेबल बीसीई लक्ष्यों को चौरसाई करते हैं।

में स्रोत कोड ultralytics/utils/metrics.py
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)

अंश f का बॉक्स फ़िल्टर।

में स्रोत कोड ultralytics/utils/metrics.py
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)

एक सटीक-याद वक्र प्लॉट।

में स्रोत कोड ultralytics/utils/metrics.py
@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)

एक मीट्रिक-आत्मविश्वास वक्र प्लॉट।

में स्रोत कोड ultralytics/utils/metrics.py
@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)

याद और सटीक घटता दिया औसत परिशुद्धता (AP) की गणना करें।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
recall list

याद करने की वक्र।

आवश्यक
precision list

सटीक वक्र।

आवश्यक

देता:

प्रकार या क़िस्‍म
float

औसत सटीकता।

ndarray

सटीक लिफाफा वक्र।

ndarray

शुरुआत और अंत में जोड़े गए प्रहरी मूल्यों के साथ संशोधित याद वक्र।

में स्रोत कोड ultralytics/utils/metrics.py
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='')

ऑब्जेक्ट डिटेक्शन मूल्यांकन के लिए प्रति वर्ग औसत परिशुद्धता की गणना करता है।

पैरामीटर:

नाम प्रकार या क़िस्‍म चूक
tp ndarray

बाइनरी सरणी इंगित करती है कि पता लगाना सही है (सत्य) या नहीं (गलत)।

आवश्यक
conf ndarray

पता लगाने के आत्मविश्वास स्कोर की सरणी।

आवश्यक
pred_cls ndarray

पता लगाने के अनुमानित वर्गों की सरणी।

आवश्यक
target_cls ndarray

पता लगाने के सच्चे वर्गों की सरणी।

आवश्यक
plot bool

पीआर कर्व्स प्लॉट करना है या नहीं। डिफ़ॉल्ट रूप से गलत है.

False
on_plot func

प्लॉट्स पथ और डेटा को पास करने के लिए एक कॉलबैक जब वे प्रस्तुत किए जाते हैं। कोई नहीं करने के लिए डिफ़ॉल्ट।

None
save_dir Path

पीआर घटता को बचाने के लिए निर्देशिका। एक खाली पथ के लिए डिफ़ॉल्ट।

Path()
names tuple

पीआर घटता साजिश करने के लिए वर्ग के नामों का टुपल। एक खाली टपल के लिए डिफ़ॉल्ट।

()
eps float

शून्य से विभाजन से बचने के लिए एक छोटा मूल्य। 1e-16 के लिए डिफ़ॉल्ट।

1e-16
prefix str

प्लॉट फ़ाइलों को सहेजने के लिए एक उपसर्ग स्ट्रिंग। एक खाली स्ट्रिंग के लिए डिफ़ॉल्ट।

''

देता:

प्रकार या क़िस्‍म
tuple

छह सरणियों का एक टपल और अद्वितीय वर्गों की एक सरणी, जहां: tp (np.ndarray): प्रत्येक वर्ग के लिए अधिकतम F1 मीट्रिक द्वारा दी गई सीमा पर सही सकारात्मक गणना करता है। आकार: (एनसी,)। fp (np.ndarray): प्रत्येक वर्ग के लिए अधिकतम F1 मीट्रिक द्वारा दी गई सीमा पर झूठी सकारात्मक गणना। आकार: (एनसी,)। p (np.ndarray): प्रत्येक वर्ग के लिए अधिकतम F1 मीट्रिक द्वारा दिए गए थ्रेशोल्ड पर सटीक मान। आकार: (nc,)। r (np.ndarray): प्रत्येक वर्ग के लिए अधिकतम F1 मीट्रिक द्वारा दिए गए थ्रेशोल्ड पर मानों को याद करें। आकार: (nc,)। f1 (np.ndarray): प्रत्येक वर्ग के लिए अधिकतम F1 मीट्रिक द्वारा दिए गए थ्रेशोल्ड पर F1-स्कोर मान। आकार: (nc,)। ap (np.ndarray): अलग-अलग IoU थ्रेसहोल्ड पर प्रत्येक वर्ग के लिए औसत सटीकता। आकार: (एनसी, 10)। unique_classes (np.ndarray): अद्वितीय वर्गों की एक सरणी जिसमें डेटा है। आकार: (एनसी,)। p_curve (np.ndarray): प्रत्येक वर्ग के लिए सटीक घटता। आकार: (एनसी, 1000)। r_curve (np.ndarray): प्रत्येक वर्ग के लिए कर्व्स रिकॉल करें। आकार: (एनसी, 1000)। f1_curve (np.ndarray): प्रत्येक वर्ग के लिए F1-स्कोर घटता। आकार: (एनसी, 1000)। x (np.ndarray): वक्रों के लिए X-अक्ष मान। आकार: (1000,)। prec_values: प्रत्येक वर्ग के लिए mAP@0.5 पर सटीक मान। आकार: (एनसी, 1000)।

में स्रोत कोड ultralytics/utils/metrics.py
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





Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (7), Burhan-Q (1), Laughing-q (1)