Referentie voor ultralytics/utils/metrics.py
Opmerking
Dit bestand is beschikbaar op https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/utils/metrics .py. Als je een probleem ziet, help het dan oplossen door een Pull Request 🛠️ bij te dragen. Bedankt 🙏!
ultralytics.utils.metrics.ConfusionMatrix
Een klasse voor het berekenen en bijwerken van een verwarringmatrix voor objectdetectie en classificatietaken.
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
task |
str
|
Het type taak, ofwel 'detecteren' of 'classificeren'. |
matrix |
ndarray
|
De verwarringmatrix, met dimensies afhankelijk van de taak. |
nc |
int
|
Het aantal klassen. |
conf |
float
|
De betrouwbaarheidsdrempel voor detecties. |
iou_thres |
float
|
De kruising over de Uniedrempel. |
Broncode in ultralytics/utils/metrics.py
284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 |
|
__init__(nc, conf=0.25, iou_thres=0.45, task='detect')
Initialiseer attributen voor het YOLO model.
Broncode in ultralytics/utils/metrics.py
matrix()
plot(normalize=True, save_dir='', names=(), on_plot=None)
Teken de verwarringmatrix met seaborn en sla het op in een bestand.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
normalize |
bool
|
Of de verwarringmatrix genormaliseerd moet worden. |
True
|
save_dir |
str
|
Directory waar het perceel wordt opgeslagen. |
''
|
names |
tuple
|
Namen van klassen, gebruikt als labels op de plot. |
()
|
on_plot |
func
|
Een optionele callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. |
None
|
Broncode in ultralytics/utils/metrics.py
print()
process_batch(detections, gt_bboxes, gt_cls)
Verwarringmatrix bijwerken voor objectdetectietaak.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
detections |
Array[N, 6] | Array[N, 7]
|
Gedetecteerde bounding boxes en de bijbehorende informatie.
Elke rij moet bevatten (x1, y1, x2, y2, conf, class)
of met een extra element |
vereist |
gt_bboxes |
Array[M, 4] | Array[N, 5]
|
Grondwaarheidsgrenzen met xyxy/xyxyr formaat. |
vereist |
gt_cls |
Array[M]
|
De labels van de klas. |
vereist |
Broncode in ultralytics/utils/metrics.py
process_cls_preds(preds, targets)
Verwarringmatrix voor classificatietaak bijwerken.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
preds |
Array[N, min(nc, 5)]
|
Voorspelde klassenlabels. |
vereist |
targets |
Array[N, 1]
|
Labels van de grondwaardeklasse. |
vereist |
Broncode in ultralytics/utils/metrics.py
tp_fp()
Geeft ware positieven en valse positieven.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.Metric
Basis: SimpleClass
Klasse voor het berekenen van evaluatiemetriek voor YOLOv8 model.
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
p |
list
|
Precisie voor elke klasse. Vorm: (nc,). |
r |
list
|
Herinnering voor elke klasse. Vorm: (nc,). |
f1 |
list
|
F1 score voor elke klasse. Vorm: (nc,). |
all_ap |
list
|
AP scores voor alle klassen en alle IoU drempels. Vorm: (nc, 10). |
ap_class_index |
list
|
Klasse-index voor elke AP-score. Vorm: (nc,). |
nc |
int
|
Aantal klassen. |
Methoden:
Naam | Beschrijving |
---|---|
ap50 |
AP bij IoU-drempel van 0,5 voor alle klassen. Geeft: Lijst met AP scores. Vorm: (nc,) of []. |
ap |
AP bij IoU-drempels van 0,5 tot 0,95 voor alle klassen. Geeft: Lijst met AP scores. Vorm: (nc,) of []. |
mp |
Gemiddelde precisie van alle klassen. Geeft weer: Vlotter. |
mr |
Gemiddelde terugroep van alle klassen. Geeft weer: Vlotter. |
map50 |
Gemiddelde AP bij IoU-drempel van 0,5 voor alle klassen. Geeft weer: Vlotter. |
map75 |
Gemiddelde AP bij IoU-drempel van 0,75 voor alle klassen. Geeft weer: Vlotter. |
map |
Gemiddelde AP bij IoU-drempels van 0,5 tot 0,95 voor alle klassen. Geeft weer: Vlotter. |
mean_results |
Gemiddelde resultaten, geeft mp, mr, map50, map. |
class_result |
Klassebewust resultaat, geeft p[i], r[i], ap50[i], ap[i]. |
maps |
mAP van elke klasse. Geeft terug: Array van mAP scores, vorm: (nc,). |
fitness |
Model fitness als een gewogen combinatie van metriek. Geeft: Float. |
update |
Metrische kenmerken bijwerken met nieuwe evaluatieresultaten. |
Broncode in ultralytics/utils/metrics.py
620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 |
|
ap
property
Geeft de gemiddelde precisie (AP) bij een IoU-drempel van 0,5-0,95 voor alle klassen.
Retourneert:
Type | Beschrijving |
---|---|
(ndarray, list)
|
Array van vorm (nc,) met AP50-95 waarden per klasse, of een lege lijst als deze niet beschikbaar is. |
ap50
property
Geeft de gemiddelde precisie (AP) bij een IoU-drempel van 0,5 voor alle klassen.
Retourneert:
Type | Beschrijving |
---|---|
(ndarray, list)
|
Array van vorm (nc,) met AP50 waarden per klasse, of een lege lijst als deze niet beschikbaar is. |
curves
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
curves_results
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
map
property
Geeft de gemiddelde gemiddelde precisie (mAP) over IoU-drempelwaarden van 0,5 - 0,95 in stappen van 0,05.
Retourneert:
Type | Beschrijving |
---|---|
float
|
Het mAP over IoU-drempelwaarden van 0,5 - 0,95 in stappen van 0,05. |
map50
property
Geeft de gemiddelde gemiddelde precisie (mAP) bij een IoU-drempel van 0,5.
Retourneert:
Type | Beschrijving |
---|---|
float
|
Het mAP bij een IoU-drempel van 0,5. |
map75
property
Geeft de gemiddelde gemiddelde precisie (mAP) bij een IoU-drempel van 0,75.
Retourneert:
Type | Beschrijving |
---|---|
float
|
Het mAP bij een IoU-drempel van 0,75. |
maps
property
MAP van elke klas.
mp
property
Geeft de gemiddelde precisie van alle klassen.
Retourneert:
Type | Beschrijving |
---|---|
float
|
De gemiddelde precisie van alle klassen. |
mr
property
Geeft de gemiddelde terugval van alle klassen.
Retourneert:
Type | Beschrijving |
---|---|
float
|
De gemiddelde herinnering van alle klassen. |
__init__()
Initialiseert een Metric-instantie voor het berekenen van evaluatiemetrieken voor het YOLOv8 model.
Broncode in ultralytics/utils/metrics.py
class_result(i)
fitness()
Model fitness als een gewogen combinatie van metriek.
mean_results()
update(results)
Werkt de evaluatiemetriek van het model bij met een nieuwe reeks resultaten.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
results |
tuple
|
Een tupel met de volgende evaluatiemetriek: - p (lijst): Precisie voor elke klasse. Vorm: (nc,). - r (lijst): Recall voor elke klasse. Vorm: (nc,). - f1 (lijst): F1 score voor elke klasse. Vorm: (nc,). - all_ap (lijst): AP scores voor alle klassen en alle IoU drempels. Vorm: (nc, 10). - ap_class_index (lijst): Index van klasse voor elke AP score. Vorm: (nc,). |
vereist |
Bijwerkingen
Werkt de klassenattributen bij self.p
, self.r
, self.f1
, self.all_ap
en self.ap_class_index
gebaseerd
op de waarden die zijn opgegeven in de results
tupel.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.DetMetrics
Basis: SimpleClass
Deze klasse is een utiliteitsklasse voor het berekenen van detectiemetrieken zoals precisie, recall en gemiddelde gemiddelde precisie (mAP) van een objectdetectiemodel.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
save_dir |
Path
|
Een pad naar de map waar de uitvoerplots worden opgeslagen. Standaard de huidige map. |
Path('.')
|
plot |
bool
|
Een vlag die aangeeft of er voor elke klasse een precision-recall curve moet worden uitgezet. Staat standaard op Vals. |
False
|
on_plot |
func
|
Een optionele callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. Standaard geen. |
None
|
names |
tuple of str
|
Een tupel van strings die de namen van de klassen vertegenwoordigen. Standaard een lege tupel. |
()
|
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
save_dir |
Path
|
Een pad naar de map waar de uitvoerplots worden opgeslagen. |
plot |
bool
|
Een vlag die aangeeft of de precisie-recall curven voor elke klasse moeten worden uitgezet. |
on_plot |
func
|
Een optionele callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. |
names |
tuple of str
|
Een tupel van strings die de namen van de klassen vertegenwoordigen. |
box |
Metric
|
Een instantie van de klasse Metric voor het opslaan van de resultaten van de detectiemetriek. |
speed |
dict
|
Een woordenboek voor het opslaan van de uitvoeringstijd van verschillende onderdelen van het detectieproces. |
Methoden:
Naam | Beschrijving |
---|---|
process |
Werkt de metrische resultaten bij met de laatste serie voorspellingen. |
keys |
Geeft een lijst met sleutels voor toegang tot de berekende detectiemetriek. |
mean_results |
Geeft een lijst met gemiddelde waarden voor de berekende detectiemetriek. |
class_result |
Geeft een lijst met waarden voor de berekende detectiemetriek voor een specifieke klasse. |
maps |
Retourneert een woordenboek met gemiddelde gemiddelde precisiewaarden (mAP) voor verschillende IoU-drempelwaarden. |
fitness |
Berekent de fitnessscore op basis van de berekende detectiemetriek. |
ap_class_index |
Geeft een lijst terug met klasse-indices gesorteerd op hun gemiddelde precisiewaarden (AP). |
results_dict |
Geeft een woordenboek terug dat de sleutels van de detectiemetriek koppelt aan hun berekende waarden. |
curves |
TODO |
curves_results |
TODO |
Broncode in ultralytics/utils/metrics.py
792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 |
|
ap_class_index
property
Geeft de gemiddelde precisie-index per klasse.
curves
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
curves_results
property
Geeft een woordenboek terug met berekende prestatiecijfers en statistieken.
fitness
property
Geeft de fitness van het boxobject.
keys
property
Geeft een lijst met sleutels voor toegang tot specifieke statistieken.
maps
property
Geeft gemiddelde gemiddelde precisiescores (mAP) per klasse.
results_dict
property
Geeft een woordenboek terug met berekende prestatiecijfers en statistieken.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Initialiseer een DetMetrics-instantie met een opslagmap, plotvlag, callbackfunctie en klassenamen.
Broncode in ultralytics/utils/metrics.py
class_result(i)
Geeft het resultaat van het evalueren van de prestaties van een objectdetectiemodel op een specifieke klasse.
mean_results()
process(tp, conf, pred_cls, target_cls)
Voorspelde resultaten verwerken voor objectdetectie en metriek bijwerken.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.SegmentMetrics
Basis: SimpleClass
Berekent en aggregeert detectie- en segmentatiemetriek over een gegeven set klassen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
save_dir |
Path
|
Pad naar de map waar de uitvoerplots moeten worden opgeslagen. Standaard is dit de huidige map. |
Path('.')
|
plot |
bool
|
Of de detectie- en segmentatieplots moeten worden opgeslagen. De standaardinstelling is Fout. |
False
|
on_plot |
func
|
Een optionele callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. Standaard geen. |
None
|
names |
list
|
Lijst met klassennamen. Standaard is dit een lege lijst. |
()
|
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
save_dir |
Path
|
Pad naar de map waar de uitvoerplots moeten worden opgeslagen. |
plot |
bool
|
Of de detectie- en segmentatieplots moeten worden opgeslagen. |
on_plot |
func
|
Een optionele callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. |
names |
list
|
Lijst met klassennamen. |
box |
Metric
|
Een instantie van de klasse Metric om metriek voor doosdetectie te berekenen. |
seg |
Metric
|
Een instantie van de klasse Metric om maskersegmentatiemetriek te berekenen. |
speed |
dict
|
Woordenboek om de tijd op te slaan die de verschillende fasen van de inferentie in beslag nemen. |
Methoden:
Naam | Beschrijving |
---|---|
process |
Verwerkt metriek over de gegeven set voorspellingen. |
mean_results |
Geeft het gemiddelde van de detectie- en segmentatiemetriek over alle klassen. |
class_result |
Geeft de detectie- en segmentatiemetriek van de klasse |
maps |
Geeft de gemiddelde gemiddelde Precision (mAP) scores voor IoU drempelwaarden variërend van 0,50 tot 0,95. |
fitness |
Geeft de fitnessscores terug, die een enkele gewogen combinatie van metriek zijn. |
ap_class_index |
Retourneert de lijst met indices van klassen die worden gebruikt om de gemiddelde precisie (AP) te berekenen. |
results_dict |
Retourneert het woordenboek met alle detectie- en segmentatiemetriek en fitnessscore. |
Broncode in ultralytics/utils/metrics.py
893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 |
|
ap_class_index
property
Kaders en maskers hebben dezelfde ap_class_index.
curves
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
curves_results
property
Geeft een woordenboek terug met berekende prestatiecijfers en statistieken.
fitness
property
Verkrijg de fitnessscore voor zowel segmentatie- als bounding box-modellen.
keys
property
Geeft een lijst met sleutels voor toegang tot statistieken.
maps
property
Geeft mAP-scores voor objectdetectie en semantische segmentatiemodellen.
results_dict
property
Geeft resultaten van objectdetectiemodel voor evaluatie.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Initialiseer een SegmentMetrics instantie met een bewaarmap, plotvlag, callbackfunctie en klassenamen.
Broncode in ultralytics/utils/metrics.py
class_result(i)
mean_results()
process(tp, tp_m, conf, pred_cls, target_cls)
Verwerkt de detectie- en segmentatiemetriek over de gegeven set voorspellingen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
tp |
list
|
Lijst van True Positive dozen. |
vereist |
tp_m |
list
|
Lijst van True Positive maskers. |
vereist |
conf |
list
|
Lijst met vertrouwensscores. |
vereist |
pred_cls |
list
|
Lijst met voorspelde klassen. |
vereist |
target_cls |
list
|
Lijst met doelklassen. |
vereist |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.PoseMetrics
Basis: SegmentMetrics
Berekent en aggregeert detectie- en posemetriek over een gegeven set klassen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
save_dir |
Path
|
Pad naar de map waar de uitvoerplots moeten worden opgeslagen. Standaard is dit de huidige map. |
Path('.')
|
plot |
bool
|
Of de detectie- en segmentatieplots moeten worden opgeslagen. De standaardinstelling is Fout. |
False
|
on_plot |
func
|
Een optionele callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. Standaard geen. |
None
|
names |
list
|
Lijst met klassennamen. Standaard is dit een lege lijst. |
()
|
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
save_dir |
Path
|
Pad naar de map waar de uitvoerplots moeten worden opgeslagen. |
plot |
bool
|
Of de detectie- en segmentatieplots moeten worden opgeslagen. |
on_plot |
func
|
Een optionele callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. |
names |
list
|
Lijst met klassennamen. |
box |
Metric
|
Een instantie van de klasse Metric om metriek voor doosdetectie te berekenen. |
pose |
Metric
|
Een instantie van de klasse Metric om maskersegmentatiemetriek te berekenen. |
speed |
dict
|
Woordenboek om de tijd op te slaan die de verschillende fasen van de inferentie in beslag nemen. |
Methoden:
Naam | Beschrijving |
---|---|
process |
Verwerkt metriek over de gegeven set voorspellingen. |
mean_results |
Geeft het gemiddelde van de detectie- en segmentatiemetriek over alle klassen. |
class_result |
Geeft de detectie- en segmentatiemetriek van de klasse |
maps |
Geeft de gemiddelde gemiddelde Precision (mAP) scores voor IoU drempelwaarden variërend van 0,50 tot 0,95. |
fitness |
Geeft de fitnessscores terug, die een enkele gewogen combinatie van metriek zijn. |
ap_class_index |
Retourneert de lijst met indices van klassen die worden gebruikt om de gemiddelde precisie (AP) te berekenen. |
results_dict |
Retourneert het woordenboek met alle detectie- en segmentatiemetriek en fitnessscore. |
Broncode in ultralytics/utils/metrics.py
1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 |
|
curves
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
curves_results
property
Geeft een woordenboek terug met berekende prestatiecijfers en statistieken.
fitness
property
Berekent classificatiemetriek en snelheid met behulp van de targets
en pred
ingangen.
keys
property
Geeft een lijst van evaluatiemetrische sleutels.
maps
property
Geeft de gemiddelde precisie (mAP) per klasse voor zowel box- als pose-detecties.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Initialiseer de klasse PoseMetrics met het pad naar de map, de namen van de klassen en de plotopties.
Broncode in ultralytics/utils/metrics.py
class_result(i)
mean_results()
process(tp, tp_p, conf, pred_cls, target_cls)
Verwerkt de metriek voor detectie en houding over de gegeven set voorspellingen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
tp |
list
|
Lijst van True Positive dozen. |
vereist |
tp_p |
list
|
Lijst met True Positive sleutelpunten. |
vereist |
conf |
list
|
Lijst met vertrouwensscores. |
vereist |
pred_cls |
list
|
Lijst met voorspelde klassen. |
vereist |
target_cls |
list
|
Lijst met doelklassen. |
vereist |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.ClassifyMetrics
Basis: SimpleClass
Klasse voor het berekenen van classificatiemetriek inclusief top-1 en top-5 nauwkeurigheid.
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
top1 |
float
|
De top-1 nauwkeurigheid. |
top5 |
float
|
De top-5 nauwkeurigheid. |
speed |
Dict[str, float]
|
Een woordenboek met de tijd die nodig is voor elke stap in de pijplijn. |
Eigenschappen
fitness (float): De fitness van het model, die gelijk is aan de top-5 nauwkeurigheid. results_dict (Dict[str, Union[float, str]): Een woordenboek met de classificatiemetriek en fitness. sleutels (Lijst[str]): Een lijst met sleutels voor de results_dict.
Methoden:
Naam | Beschrijving |
---|---|
process |
Verwerkt de doelen en voorspellingen om classificatiemetriek te berekenen. |
Broncode in ultralytics/utils/metrics.py
curves
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
curves_results
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
fitness
property
Geeft het gemiddelde van top-1 en top-5 nauwkeurigheden als fitnessscore.
keys
property
Geeft een lijst met sleutels voor de eigenschap results_dict.
results_dict
property
Geeft een woordenboek terug met de prestatiecijfers en fitnessscore van het model.
__init__()
Initialiseer een ClassifyMetrics instantie.
process(targets, pred)
Doelklassen en voorspelde klassen.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.OBBMetrics
Basis: SimpleClass
Broncode in ultralytics/utils/metrics.py
1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 |
|
ap_class_index
property
Geeft de gemiddelde precisie-index per klasse.
curves
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
curves_results
property
Geeft een lijst van krommen voor toegang tot specifieke metriekrommen.
fitness
property
Geeft de fitness van het boxobject.
keys
property
Geeft een lijst met sleutels voor toegang tot specifieke statistieken.
maps
property
Geeft gemiddelde gemiddelde precisiescores (mAP) per klasse.
results_dict
property
Geeft een woordenboek terug met berekende prestatiecijfers en statistieken.
class_result(i)
Geeft het resultaat van het evalueren van de prestaties van een objectdetectiemodel op een specifieke klasse.
mean_results()
Bereken het gemiddelde van gedetecteerde objecten en retourneer precisie, recall, mAP50 en mAP50-95.
process(tp, conf, pred_cls, target_cls)
Voorspelde resultaten verwerken voor objectdetectie en metriek bijwerken.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.bbox_ioa(box1, box2, iou=False, eps=1e-07)
Bereken de doorsnede over box2 gebied gegeven box1 en box2. Boxen zijn in x1y1x2y2 formaat.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
box1 |
ndarray
|
Een numpy array van de vorm (n, 4) die n begrenzende vakken voorstelt. |
vereist |
box2 |
ndarray
|
Een numpy array van de vorm (m, 4) die m begrenzende vakken voorstelt. |
vereist |
iou |
bool
|
Bereken de standaard IoU indien True anders retourneer inter_area/box2_area. |
False
|
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-7. |
1e-07
|
Retourneert:
Type | Beschrijving |
---|---|
ndarray
|
Een numpy array van de vorm (n, m) die de doorsnede over box2 gebied weergeeft. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.box_iou(box1, box2, eps=1e-07)
Bereken kruising-over-eenheid (IoU) van vakken. Van beide sets boxen wordt verwacht dat ze het formaat (x1, y1, x2, y2) hebben. Gebaseerd op https://github.com/pytorch/vision/blob/master/torchvision/ops/boxes.py
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
box1 |
Tensor
|
Een tensor van vorm (N, 4) die N begrenzende vakken voorstelt. |
vereist |
box2 |
Tensor
|
Een tensor van vorm (M, 4) die M begrenzende vakken voorstelt. |
vereist |
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-7. |
1e-07
|
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Een NxM tensor met de paarsgewijze IoU-waarden voor elk element in vak1 en vak2. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-07)
Bereken Intersectie over Unie (IoU) van box1(1, 4) naar box2(n, 4).
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
box1 |
Tensor
|
Een tensor die een enkele bounding box voorstelt met vorm (1, 4). |
vereist |
box2 |
Tensor
|
Een tensor die n begrenzende vakken voorstelt met vorm (n, 4). |
vereist |
xywh |
bool
|
Als Waar zijn de invoervelden in (x, y, b, h) formaat. Als Nee, dan zijn de invoervelden in (x1, y1, x2, y2) formaat. Standaard ingesteld op Waar. |
True
|
GIoU |
bool
|
Als dit waar is, wordt Generalized IoU berekend. Wordt standaard ingesteld op Onwaar. |
False
|
DIoU |
bool
|
Als dit Waar is, wordt Afstand IoU berekend. Staat standaard op Onwaar. |
False
|
CIoU |
bool
|
Als dit Waar is, wordt Complete IoU berekend. Wordt standaard ingesteld op Onwaar. |
False
|
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-7. |
1e-07
|
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
IoU, GIoU, DIoU of CIoU waarden, afhankelijk van de gespecificeerde vlaggen. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.mask_iou(mask1, mask2, eps=1e-07)
Bereken maskers IoU.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
mask1 |
Tensor
|
Een tensor van vorm (N, n) waarbij N het aantal grondwaarheidsobjecten is en n het product van beeldbreedte en -hoogte is. |
vereist |
mask2 |
Tensor
|
Een tensor van vorm (M, n) waarbij M het aantal voorspelde objecten is en n het product van beeldbreedte en -hoogte is. |
vereist |
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-7. |
1e-07
|
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Een tensor van vorm (N, M) die maskers IoU voorstelt. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.kpt_iou(kpt1, kpt2, area, sigma, eps=1e-07)
Bereken Object Sleutelpunt Gelijkenis (OKS).
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
kpt1 |
Tensor
|
Een tensor van vorm (N, 17, 3) die grondwaarheidspunten voorstelt. |
vereist |
kpt2 |
Tensor
|
Een tensor van vorm (M, 17, 3) die voorspelde sleutelpunten voorstelt. |
vereist |
area |
Tensor
|
Een tensor van vorm (N,) die gebieden uit de grondwaarheid voorstelt. |
vereist |
sigma |
list
|
Een lijst met 17 waarden die toetsenpuntschalen voorstellen. |
vereist |
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-7. |
1e-07
|
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Een tensor van vorm (N, M) die overeenkomsten tussen sleutelpunten weergeeft. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics._get_covariance_matrix(boxes)
Covariantiematrix genereren uit obbs.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
boxes |
Tensor
|
Een tensor van vorm (N, 5) die geroteerde bounding boxes voorstelt, met xywhr formaat. |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Covariantiemetrixen die overeenkomen met de originele geroteerde begrenzingskaders. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.probiou(obb1, obb2, CIoU=False, eps=1e-07)
Bereken de prob IoU tussen georiënteerde begrenzende vakken, https://arxiv.org/pdf/2106.06072v1.pdf.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
obb1 |
Tensor
|
Een tensor van vorm (N, 5) die obbs van de grondwaarheid voorstelt, in xywhr formaat. |
vereist |
obb2 |
Tensor
|
Een tensor van vorm (N, 5) die voorspelde obbs voorstelt, met xywhr formaat. |
vereist |
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-7. |
1e-07
|
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Een tensor van vorm (N, ) die obb-overeenkomsten weergeeft. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.batch_probiou(obb1, obb2, eps=1e-07)
Bereken de prob IoU tussen georiënteerde begrenzende vakken, https://arxiv.org/pdf/2106.06072v1.pdf.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
obb1 |
Tensor | ndarray
|
Een tensor van vorm (N, 5) die obbs van de grondwaarheid voorstelt, in xywhr formaat. |
vereist |
obb2 |
Tensor | ndarray
|
Een tensor van vorm (M, 5) die voorspelde obbs voorstelt, met xywhr formaat. |
vereist |
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-7. |
1e-07
|
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
Een tensor van vorm (N, M) die obb-overeenkomsten weergeeft. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.smooth_BCE(eps=0.1)
Berekent afgevlakte positieve en negatieve Binary Cross-Entropy doelen.
Deze functie berekent positieve en negatieve label afvlakkende BCE doelen gebaseerd op een gegeven epsilon waarde. Raadpleeg voor implementatiedetails https://github.com/ultralytics/yolov3/issues/238#issuecomment-598028441.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
eps |
float
|
De epsilon waarde voor het afvlakken van labels. Standaard ingesteld op 0,1. |
0.1
|
Retourneert:
Type | Beschrijving |
---|---|
tuple
|
Een tupel dat de positieve en negatieve label afvlakkende BCE doelen bevat. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.smooth(y, f=0.05)
Boxfilter van fractie f.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.plot_pr_curve(px, py, ap, save_dir=Path('pr_curve.png'), names=(), on_plot=None)
Tekent een precisieterugroepcurve.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.plot_mc_curve(px, py, save_dir=Path('mc_curve.png'), names=(), xlabel='Confidence', ylabel='Metric', on_plot=None)
Tekent een metrische betrouwbaarheidscurve.
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.compute_ap(recall, precision)
Bereken de gemiddelde precisie (AP) gegeven de recall- en precisiekrommen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
recall |
list
|
De terugroepcurve. |
vereist |
precision |
list
|
De nauwkeurigheidscurve. |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
float
|
Gemiddelde precisie. |
ndarray
|
Precisie-envelopcurve. |
ndarray
|
Gewijzigde terugroepcurve met sentinelwaarden toegevoegd aan het begin en einde. |
Broncode in ultralytics/utils/metrics.py
ultralytics.utils.metrics.ap_per_class(tp, conf, pred_cls, target_cls, plot=False, on_plot=None, save_dir=Path(), names=(), eps=1e-16, prefix='')
Berekent de gemiddelde precisie per klasse voor de evaluatie van objectdetectie.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
tp |
ndarray
|
Binaire matrix die aangeeft of de detectie correct is (True) of niet (False). |
vereist |
conf |
ndarray
|
Matrix van betrouwbaarheidsscores van de detecties. |
vereist |
pred_cls |
ndarray
|
Matrix van voorspelde klassen van de detecties. |
vereist |
target_cls |
ndarray
|
Matrix van ware klassen van de detecties. |
vereist |
plot |
bool
|
Of PR-curves al dan niet moeten worden uitgezet. Standaard op Onwaar. |
False
|
on_plot |
func
|
Een callback om plots pad en gegevens door te geven wanneer ze worden gerenderd. Staat standaard op Geen. |
None
|
save_dir |
Path
|
Directory om de PR-curves op te slaan. Standaard een leeg pad. |
Path()
|
names |
tuple
|
Tupel van klassennamen om PR-curves uit te zetten. Standaard een lege tupel. |
()
|
eps |
float
|
Een kleine waarde om deling door nul te voorkomen. Standaard ingesteld op 1e-16. |
1e-16
|
prefix |
str
|
Een voorvoegsel voor het opslaan van de plotbestanden. Standaard een lege tekenreeks. |
''
|
Retourneert:
Type | Beschrijving |
---|---|
tuple
|
Een tupel van zes arrays en een array van unieke klassen, waarbij: tp (np.ndarray): True positive counts bij drempelwaarde gegeven door max F1 metric voor elke klasse.Vorm: (nc,). fp (np.ndarray): Aantal fout-positieven bij de drempelwaarde gegeven door de maximale F1 metriek voor elke klasse. Vorm: (nc,). p (np.ndarray): Precisiewaarden bij de drempelwaarde gegeven door de maximale F1 metriek voor elke klasse. Vorm: (nc,). r (np.ndarray): Recall waarden bij drempelwaarde gegeven door max F1 metric voor elke klasse. Vorm: (nc,). f1 (np.ndarray): F1-score waarden bij drempelwaarde gegeven door max F1 metric voor elke klasse. Vorm: (nc,). ap (np.ndarray): Gemiddelde precisie voor elke klasse bij verschillende IoU drempelwaarden. Vorm: (nc, 10). unieke_klassen (np.ndarray): Een array van unieke klassen die gegevens hebben. Vorm: (nc,). p_curve (np.ndarray): Precisiecurves voor elke klasse. Vorm: (nc, 1000). r_curve (np.ndarray): Recall-curves voor elke klasse. Vorm: (nc, 1000). f1_curve (np.ndarray): F1-score curven voor elke klasse. Vorm: (nc, 1000). x (np.ndarray): X-as waarden voor de curven. Vorm: (1000,). prec_waarden: Precisiewaarden op mAP@0.5 voor elke klasse. Vorm: (nc, 1000). |
Broncode in ultralytics/utils/metrics.py
529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 |
|