Referência para ultralytics/utils/metrics.py
Nota
Este ficheiro está disponível em https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/utils/metrics .py. Se detectares um problema, por favor ajuda a corrigi-lo contribuindo com um Pull Request 🛠️. Obrigado 🙏!
ultralytics.utils.metrics.ConfusionMatrix
Uma classe para calcular e atualizar uma matriz de confusão para tarefas de deteção e classificação de objectos.
Atributos:
Nome | Tipo | Descrição |
---|---|---|
task |
str
|
O tipo de tarefa, "detetar" ou "classificar". |
matrix |
ndarray
|
A matriz de confusão, com dimensões que dependem da tarefa. |
nc |
int
|
O número de classes. |
conf |
float
|
O limiar de confiança para as detecções. |
iou_thres |
float
|
A Intersecção sobre o limiar da União. |
Código fonte em 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')
Inicializa os atributos do modelo YOLO .
Código fonte em ultralytics/utils/metrics.py
matrix()
plot(normalize=True, save_dir='', names=(), on_plot=None)
Traça a matriz de confusão utilizando o seaborn e guarda-a num ficheiro.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
normalize |
bool
|
Se queres normalizar a matriz de confusão. |
True
|
save_dir |
str
|
Diretório onde o gráfico será guardado. |
''
|
names |
tuple
|
Nomes de classes, utilizados como etiquetas no gráfico. |
()
|
on_plot |
func
|
Uma chamada de retorno opcional para passar o caminho e os dados das parcelas quando estas são renderizadas. |
None
|
Código fonte em ultralytics/utils/metrics.py
print()
process_batch(detections, gt_bboxes, gt_cls)
Actualiza a matriz de confusão para a tarefa de deteção de objectos.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
detections |
Array[N, 6] | Array[N, 7]
|
Caixas delimitadoras detectadas e respectivas informações associadas.
Cada linha deve conter (x1, y1, x2, y2, conf, classe)
ou com um elemento adicional |
necessário |
gt_bboxes |
Array[M, 4] | Array[N, 5]
|
Caixas de delimitação da verdade terrestre com o formato xyxy/xyxyr. |
necessário |
gt_cls |
Array[M]
|
As etiquetas de classe. |
necessário |
Código fonte em ultralytics/utils/metrics.py
process_cls_preds(preds, targets)
Actualiza a matriz de confusão para a tarefa de classificação.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
preds |
Array[N, min(nc, 5)]
|
Rótulos de classe previstos. |
necessário |
targets |
Array[N, 1]
|
Rótulos de classe da verdade terrestre. |
necessário |
Código fonte em ultralytics/utils/metrics.py
tp_fp()
Devolve os verdadeiros positivos e os falsos positivos.
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.Metric
Bases: SimpleClass
Classe para calcular as métricas de avaliação do modelo YOLOv8 .
Atributos:
Nome | Tipo | Descrição |
---|---|---|
p |
list
|
Precisão para cada classe. Forma: (nc,). |
r |
list
|
Recorda para cada classe. Forma: (nc,). |
f1 |
list
|
Pontuação F1 para cada classe. Forma: (nc,). |
all_ap |
list
|
Notas de AP para todas as turmas e todos os limites de IoU. Forma: (nc, 10). |
ap_class_index |
list
|
Índice de classe para cada nota de AP. Forma: (nc,). |
nc |
int
|
Número de aulas. |
Métodos:
Nome | Descrição |
---|---|
ap50 |
AP no limiar IoU de 0,5 para todas as classes. Retorna: Lista de notas de AP. Forma: (nc,) ou []. |
ap |
AP nos limiares IoU de 0,5 a 0,95 para todas as classes. Retorna: Lista de pontuações de AP. Forma: (nc,) ou []. |
mp |
Precisão média de todas as classes. Devolve: Flutuante. |
mr |
Recuperação média de todas as classes. Devolve: Flutuante. |
map50 |
Média de AP no limiar IoU de 0,5 para todas as classes. Devolve: Flutuante. |
map75 |
Média de AP no limiar IoU de 0,75 para todas as classes. Devolve: Flutuante. |
map |
Média AP em limiares IoU de 0,5 a 0,95 para todas as classes. Devolve: Flutuante. |
mean_results |
Média dos resultados, devolve mp, mr, map50, map. |
class_result |
Resultado sensível à classe, devolve p[i], r[i], ap50[i], ap[i]. |
maps |
mAP de cada classe. Retorna: Array de pontuações mAP, forma: (nc,). |
fitness |
Modelar a aptidão como uma combinação ponderada de métricas. Retorna: Flutuante. |
update |
Actualiza os atributos da métrica com os novos resultados da avaliação. |
Código fonte em 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
Devolve a precisão média (AP) num limiar IoU de 0,5-0,95 para todas as classes.
Devolve:
Tipo | Descrição |
---|---|
(ndarray, list)
|
Matriz de forma (nc,) com valores AP50-95 por classe, ou uma lista vazia se não estiver disponível. |
ap50
property
Devolve a precisão média (AP) num limiar IoU de 0,5 para todas as classes.
Devolve:
Tipo | Descrição |
---|---|
(ndarray, list)
|
Matriz de forma (nc,) com valores AP50 por classe, ou uma lista vazia se não estiver disponível. |
curves
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
curves_results
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
map
property
Devolve a precisão média (mAP) sobre os limites de IoU de 0,5 - 0,95 em passos de 0,05.
Devolve:
Tipo | Descrição |
---|---|
float
|
O mAP sobre limiares de IoU de 0,5 - 0,95 em passos de 0,05. |
map50
property
Devolve a precisão média (mAP) a um limiar de IoU de 0,5.
Devolve:
Tipo | Descrição |
---|---|
float
|
O mAP com um limiar de IoU de 0,5. |
map75
property
Devolve a precisão média (mAP) a um limiar de IoU de 0,75.
Devolve:
Tipo | Descrição |
---|---|
float
|
O mAP com um limiar de IoU de 0,75. |
maps
property
MAPA de cada classe.
mp
property
Devolve a Precisão média de todas as classes.
Devolve:
Tipo | Descrição |
---|---|
float
|
A precisão média de todas as classes. |
mr
property
Devolve a Recuperação média de todas as classes.
Devolve:
Tipo | Descrição |
---|---|
float
|
A média de recordação de todas as turmas. |
__init__()
Inicializa uma instância Metric para calcular as métricas de avaliação do modelo YOLOv8 .
Código fonte em ultralytics/utils/metrics.py
class_result(i)
fitness()
Modelar a aptidão como uma combinação ponderada de métricas.
mean_results()
update(results)
Actualiza as métricas de avaliação do modelo com um novo conjunto de resultados.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
results |
tuple
|
Uma tupla que contém as seguintes métricas de avaliação: - p (lista): Precisão para cada classe. Forma: (nc,). - r (lista): Recupera para cada classe. Forma: (nc,). - f1 (lista): Pontuação F1 para cada classe. Forma: (nc,). - all_ap (lista): Pontuações AP para todas as classes e todos os limiares IoU. Forma: (nc, 10). - ap_class_index (lista): Índice da classe para cada pontuação de PA. Forma: (nc,). |
necessário |
Efeitos secundários
Atualiza os atributos da classe self.p
, self.r
, self.f1
, self.all_ap
e self.ap_class_index
com base
nos valores fornecidos no results
tupla.
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.DetMetrics
Bases: SimpleClass
Esta classe é uma classe utilitária para calcular métricas de deteção como a precisão, a recuperação e a precisão média (mAP) de um modelo de deteção de objectos.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
save_dir |
Path
|
Um caminho para o diretório onde os gráficos de saída serão guardados. A predefinição é o diretório atual. |
Path('.')
|
plot |
bool
|
Um sinalizador que indica se deve traçar curvas de precisão-recuperação para cada classe. O valor predefinido é Falso. |
False
|
on_plot |
func
|
Uma chamada de retorno opcional para passar o caminho e os dados das parcelas quando estas são renderizadas. Usa o padrão None. |
None
|
names |
tuple of str
|
Uma tupla de cadeias de caracteres que representa os nomes das classes. Usa como padrão uma tupla vazia. |
()
|
Atributos:
Nome | Tipo | Descrição |
---|---|---|
save_dir |
Path
|
Um caminho para o diretório onde os gráficos de saída serão guardados. |
plot |
bool
|
Um sinalizador que indica se deve traçar as curvas de precisão-recuperação para cada classe. |
on_plot |
func
|
Uma chamada de retorno opcional para passar o caminho e os dados das parcelas quando estas são renderizadas. |
names |
tuple of str
|
Uma tupla de cadeias de caracteres que representa os nomes das classes. |
box |
Metric
|
Uma instância da classe Metric para armazenar os resultados da métrica de deteção. |
speed |
dict
|
Um dicionário para armazenar o tempo de execução de diferentes partes do processo de deteção. |
Métodos:
Nome | Descrição |
---|---|
process |
Actualiza os resultados da métrica com o último lote de previsões. |
keys |
Devolve uma lista de chaves para aceder às métricas de deteção calculadas. |
mean_results |
Devolve uma lista de valores médios para as métricas de deteção calculadas. |
class_result |
Devolve uma lista de valores para as métricas de deteção calculadas para uma classe específica. |
maps |
Devolve um dicionário de valores de precisão média média (mAP) para diferentes limiares de IoU. |
fitness |
Calcula a pontuação de aptidão com base nas métricas de deteção calculadas. |
ap_class_index |
Devolve uma lista de índices de classe ordenados pelos seus valores de precisão média (AP). |
results_dict |
Devolve um dicionário que mapeia as chaves da métrica de deteção para os seus valores calculados. |
curves |
TODO |
curves_results |
TODO |
Código fonte em 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
Devolve o índice de precisão médio por classe.
curves
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
curves_results
property
Devolve o dicionário de métricas e estatísticas de desempenho computadas.
fitness
property
Devolve a aptidão do objeto caixa.
keys
property
Devolve uma lista de chaves para aceder a métricas específicas.
maps
property
Devolve as pontuações da precisão média (mAP) por classe.
results_dict
property
Devolve o dicionário de métricas e estatísticas de desempenho computadas.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Inicializa uma instância DetMetrics com um diretório de salvamento, sinalizador de plotagem, função de retorno de chamada e nomes de classe.
Código fonte em ultralytics/utils/metrics.py
class_result(i)
Devolve o resultado da avaliação do desempenho de um modelo de deteção de objectos numa classe específica.
mean_results()
process(tp, conf, pred_cls, target_cls)
Processa os resultados previstos para a deteção de objectos e actualiza as métricas.
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.SegmentMetrics
Bases: SimpleClass
Calcula e agrega métricas de deteção e segmentação sobre um determinado conjunto de classes.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
save_dir |
Path
|
Caminho para o diretório onde os gráficos de saída devem ser guardados. A predefinição é o diretório atual. |
Path('.')
|
plot |
bool
|
Se queres guardar os gráficos de deteção e segmentação. A predefinição é Falso. |
False
|
on_plot |
func
|
Uma chamada de retorno opcional para passar o caminho e os dados das parcelas quando estas são renderizadas. Usa o padrão None. |
None
|
names |
list
|
Lista de nomes de classes. A predefinição é uma lista vazia. |
()
|
Atributos:
Nome | Tipo | Descrição |
---|---|---|
save_dir |
Path
|
Caminho para o diretório onde os gráficos de saída devem ser guardados. |
plot |
bool
|
Se queres guardar os gráficos de deteção e segmentação. |
on_plot |
func
|
Uma chamada de retorno opcional para passar o caminho e os dados das parcelas quando estas são renderizadas. |
names |
list
|
Lista de nomes de classes. |
box |
Metric
|
Uma instância da classe Metric para calcular a métrica de deteção de caixas. |
seg |
Metric
|
Uma instância da classe Metric para calcular a métrica de segmentação da máscara. |
speed |
dict
|
Dicionário para armazenar o tempo gasto nas diferentes fases da inferência. |
Métodos:
Nome | Descrição |
---|---|
process |
Processa métricas sobre o conjunto dado de previsões. |
mean_results |
Devolve a média das métricas de deteção e segmentação em todas as classes. |
class_result |
Devolve as métricas de deteção e segmentação da classe |
maps |
Devolve as pontuações de precisão média (mAP) para limiares de IoU que variam de 0,50 a 0,95. |
fitness |
Devolve as pontuações de aptidão, que são uma combinação única e ponderada de métricas. |
ap_class_index |
Devolve a lista de índices das classes utilizadas para calcular a precisão média (AP). |
results_dict |
Devolve o dicionário que contém todas as métricas de deteção e segmentação e a pontuação de aptidão. |
Código fonte em 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
As caixas e as máscaras têm o mesmo índice ap_class_index.
curves
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
curves_results
property
Devolve o dicionário de métricas e estatísticas de desempenho computadas.
fitness
property
Obtém a pontuação de aptidão para os modelos de segmentação e de caixa delimitadora.
keys
property
Devolve uma lista de chaves para aceder a métricas.
maps
property
Devolve pontuações mAP para modelos de deteção de objectos e segmentação semântica.
results_dict
property
Devolve os resultados do modelo de deteção de objectos para avaliação.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Inicializa uma instância do SegmentMetrics com um diretório de salvamento, sinalizador de plotagem, função de retorno de chamada e nomes de classe.
Código fonte em ultralytics/utils/metrics.py
class_result(i)
mean_results()
process(tp, tp_m, conf, pred_cls, target_cls)
Processa as métricas de deteção e segmentação sobre o conjunto dado de previsões.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
tp |
list
|
Lista das caixas Verdadeiro Positivo. |
necessário |
tp_m |
list
|
Lista de máscaras verdadeiramente positivas. |
necessário |
conf |
list
|
Lista de índices de confiança. |
necessário |
pred_cls |
list
|
Lista de classes previstas. |
necessário |
target_cls |
list
|
Lista de classes de destino. |
necessário |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.PoseMetrics
Bases: SegmentMetrics
Calcula e agrega métricas de deteção e de pose sobre um determinado conjunto de classes.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
save_dir |
Path
|
Caminho para o diretório onde os gráficos de saída devem ser guardados. A predefinição é o diretório atual. |
Path('.')
|
plot |
bool
|
Se queres guardar os gráficos de deteção e segmentação. A predefinição é Falso. |
False
|
on_plot |
func
|
Uma chamada de retorno opcional para passar o caminho e os dados das parcelas quando estas são renderizadas. Usa o padrão None. |
None
|
names |
list
|
Lista de nomes de classes. A predefinição é uma lista vazia. |
()
|
Atributos:
Nome | Tipo | Descrição |
---|---|---|
save_dir |
Path
|
Caminho para o diretório onde os gráficos de saída devem ser guardados. |
plot |
bool
|
Se queres guardar os gráficos de deteção e segmentação. |
on_plot |
func
|
Uma chamada de retorno opcional para passar o caminho e os dados das parcelas quando estas são renderizadas. |
names |
list
|
Lista de nomes de classes. |
box |
Metric
|
Uma instância da classe Metric para calcular a métrica de deteção de caixas. |
pose |
Metric
|
Uma instância da classe Metric para calcular a métrica de segmentação da máscara. |
speed |
dict
|
Dicionário para armazenar o tempo gasto nas diferentes fases da inferência. |
Métodos:
Nome | Descrição |
---|---|
process |
Processa métricas sobre o conjunto dado de previsões. |
mean_results |
Devolve a média das métricas de deteção e segmentação em todas as classes. |
class_result |
Devolve as métricas de deteção e segmentação da classe |
maps |
Devolve as pontuações de precisão média (mAP) para limiares de IoU que variam de 0,50 a 0,95. |
fitness |
Devolve as pontuações de aptidão, que são uma combinação única e ponderada de métricas. |
ap_class_index |
Devolve a lista de índices das classes utilizadas para calcular a precisão média (AP). |
results_dict |
Devolve o dicionário que contém todas as métricas de deteção e segmentação e a pontuação de aptidão. |
Código fonte em 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
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
curves_results
property
Devolve o dicionário de métricas e estatísticas de desempenho computadas.
fitness
property
Calcula a métrica de classificação e a velocidade utilizando o targets
e pred
entradas.
keys
property
Devolve a lista de chaves métricas de avaliação.
maps
property
Devolve a precisão média média (mAP) por classe para as detecções de caixa e pose.
__init__(save_dir=Path('.'), plot=False, on_plot=None, names=())
Inicializa a classe PoseMetrics com o caminho do diretório, os nomes das classes e as opções de plotagem.
Código fonte em ultralytics/utils/metrics.py
class_result(i)
mean_results()
process(tp, tp_p, conf, pred_cls, target_cls)
Processa as métricas de deteção e de pose sobre o conjunto de previsões fornecido.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
tp |
list
|
Lista das caixas Verdadeiro Positivo. |
necessário |
tp_p |
list
|
Lista dos pontos-chave do Verdadeiro Positivo. |
necessário |
conf |
list
|
Lista de índices de confiança. |
necessário |
pred_cls |
list
|
Lista de classes previstas. |
necessário |
target_cls |
list
|
Lista de classes de destino. |
necessário |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.ClassifyMetrics
Bases: SimpleClass
Classe para calcular métricas de classificação, incluindo a precisão do top-1 e do top-5.
Atributos:
Nome | Tipo | Descrição |
---|---|---|
top1 |
float
|
A precisão do top 1. |
top5 |
float
|
O top-5 da precisão. |
speed |
Dict[str, float]
|
Um dicionário que contém o tempo necessário para cada etapa do pipeline. |
Propriedades
fitness (flutuante): A aptidão do modelo, que é igual à precisão do top-5. results_dict (Dict[str, Union[float, str]]): Um dicionário que contém as métricas de classificação e a adequação. keys (List[str]): Uma lista de chaves para o results_dict.
Métodos:
Nome | Descrição |
---|---|
process |
Processa os alvos e as previsões para calcular as métricas de classificação. |
Código fonte em ultralytics/utils/metrics.py
curves
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
curves_results
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
fitness
property
Devolve a média das precisões do top-1 e do top-5 como pontuação de aptidão.
keys
property
Devolve uma lista de chaves para a propriedade results_dict.
results_dict
property
Devolve um dicionário com as métricas de desempenho do modelo e a pontuação de aptidão.
__init__()
Inicializa uma instância ClassifyMetrics.
process(targets, pred)
Classes-alvo e classes previstas.
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.OBBMetrics
Bases: SimpleClass
Código fonte em 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
Devolve o índice de precisão médio por classe.
curves
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
curves_results
property
Devolve uma lista de curvas para aceder a curvas de métricas específicas.
fitness
property
Devolve a aptidão do objeto caixa.
keys
property
Devolve uma lista de chaves para aceder a métricas específicas.
maps
property
Devolve as pontuações da precisão média (mAP) por classe.
results_dict
property
Devolve o dicionário de métricas e estatísticas de desempenho computadas.
class_result(i)
Devolve o resultado da avaliação do desempenho de um modelo de deteção de objectos numa classe específica.
mean_results()
Calcula a média dos objectos detectados e devolve a precisão, a recuperação, o mAP50 e o mAP50-95.
process(tp, conf, pred_cls, target_cls)
Processa os resultados previstos para a deteção de objectos e actualiza as métricas.
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.bbox_ioa(box1, box2, iou=False, eps=1e-07)
Calcula a intersecção sobre a área da caixa2 dadas as caixas 1 e 2. As caixas estão no formato x1y1x2y2.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
box1 |
ndarray
|
Uma matriz numpy de forma (n, 4) que representa n caixas delimitadoras. |
necessário |
box2 |
ndarray
|
Uma matriz numpy de forma (m, 4) que representa m caixas delimitadoras. |
necessário |
iou |
bool
|
Calcula o IoU padrão se Verdadeiro senão devolve inter_area/box2_area. |
False
|
eps |
float
|
Um valor pequeno para evitar a divisão por zero. Usa por defeito 1e-7. |
1e-07
|
Devolve:
Tipo | Descrição |
---|---|
ndarray
|
Uma matriz numpy de forma (n, m) que representa a intersecção sobre a área da caixa2. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.box_iou(box1, box2, eps=1e-07)
Calcula a intersecção-sobre-união (IoU) de caixas. Espera-se que ambos os conjuntos de caixas estejam no formato (x1, y1, x2, y2). Baseado em https://github.com/pytorch/vision/blob/master/torchvision/ops/boxes.py
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
box1 |
Tensor
|
Um tensor de forma (N, 4) que representa N caixas delimitadoras. |
necessário |
box2 |
Tensor
|
Um tensor de forma (M, 4) que representa M caixas delimitadoras. |
necessário |
eps |
float
|
Um valor pequeno para evitar a divisão por zero. Usa por defeito 1e-7. |
1e-07
|
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Um NxM tensor que contém os valores IoU em pares para cada elemento da caixa1 e da caixa2. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-07)
Calcula a Intersecção sobre a União (IoU) da caixa1(1, 4) para a caixa2(n, 4).
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
box1 |
Tensor
|
Um tensor que representa uma única caixa delimitadora com a forma (1, 4). |
necessário |
box2 |
Tensor
|
Um tensor que representa n caixas delimitadoras com a forma (n, 4). |
necessário |
xywh |
bool
|
Se for Verdadeiro, as caixas de entrada estão no formato (x, y, w, h). Se Falso, as caixas de entrada estão no formato (x1, y1, x2, y2). A predefinição é Verdadeiro. |
True
|
GIoU |
bool
|
Se for True, calcula o IoU generalizado. A predefinição é Falso. |
False
|
DIoU |
bool
|
Se for Verdadeiro, calcula a distância IoU. A predefinição é Falso. |
False
|
CIoU |
bool
|
Se for Verdadeiro, calcula o IoU completo. A predefinição é Falso. |
False
|
eps |
float
|
Um valor pequeno para evitar a divisão por zero. Usa por defeito 1e-7. |
1e-07
|
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Valores IoU, GIoU, DIoU ou CIoU, dependendo dos sinalizadores especificados. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.mask_iou(mask1, mask2, eps=1e-07)
Calcula as máscaras IoU.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
mask1 |
Tensor
|
Um tensor de forma (N, n) em que N é o número de objectos verdadeiros e n é o produto da largura e da altura da imagem. |
necessário |
mask2 |
Tensor
|
Um tensor de forma (M, n) em que M é o número de objectos previstos e n é o produto da largura e da altura da imagem. |
necessário |
eps |
float
|
Um valor pequeno para evitar a divisão por zero. Usa por defeito 1e-7. |
1e-07
|
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Um tensor de forma (N, M) que representa as máscaras IoU. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.kpt_iou(kpt1, kpt2, area, sigma, eps=1e-07)
Calcula a semelhança do ponto-chave do objeto (OKS).
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
kpt1 |
Tensor
|
Um tensor da forma (N, 17, 3) que representa os pontos-chave da verdade terrestre. |
necessário |
kpt2 |
Tensor
|
Um tensor de forma (M, 17, 3) que representa os pontos-chave previstos. |
necessário |
area |
Tensor
|
Um tensor de forma (N,) que representa áreas da verdade terrestre. |
necessário |
sigma |
list
|
Uma lista que contém 17 valores que representam escalas de pontos-chave. |
necessário |
eps |
float
|
Um valor pequeno para evitar a divisão por zero. Usa por defeito 1e-7. |
1e-07
|
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Um tensor de forma (N, M) que representa semelhanças de pontos-chave. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics._get_covariance_matrix(boxes)
Gera a matriz de covariância a partir de obbs.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
boxes |
Tensor
|
Um tensor de forma (N, 5) que representa caixas delimitadoras rodadas, com formato xywhr. |
necessário |
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Matrizes de covariância correspondentes às caixas delimitadoras originais rodadas. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.probiou(obb1, obb2, CIoU=False, eps=1e-07)
Calcula a probabilidade de IoU entre caixas delimitadoras orientadas, https://arxiv.org/pdf/2106.06072v1.pdf.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
obb1 |
Tensor
|
Um tensor de forma (N, 5) representando obbs de verdade terrestre, com formato xywhr. |
necessário |
obb2 |
Tensor
|
Um tensor de forma (N, 5) que representa os objectos previstos, com o formato xywhr. |
necessário |
eps |
float
|
Um valor pequeno para evitar a divisão por zero. Usa por defeito 1e-7. |
1e-07
|
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
Um tensor de forma (N, ) que representa as semelhanças obb. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.batch_probiou(obb1, obb2, eps=1e-07)
Calcula a probabilidade de IoU entre caixas delimitadoras orientadas, https://arxiv.org/pdf/2106.06072v1.pdf.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
obb1 |
Tensor | ndarray
|
Um tensor de forma (N, 5) representando obbs de verdade terrestre, com formato xywhr. |
necessário |
obb2 |
Tensor | ndarray
|
Um tensor de forma (M, 5) que representa os objectos previstos, com formato xywhr. |
necessário |
eps |
float
|
Um valor pequeno para evitar a divisão por zero. Usa por defeito 1e-7. |
1e-07
|
Devolve:
Tipo | Descrição |
---|---|
Tensor
|
A tensor de forma (N, M) representando semelhanças obb. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.smooth_BCE(eps=0.1)
Calcula alvos suavizados de entropia cruzada binária positiva e negativa.
Esta função calcula objectivos BCE de suavização de etiquetas positivas e negativas com base num determinado valor epsilon. Para obter pormenores de implementação, consulte https://github.com/ultralytics/yolov3/issues/238#issuecomment-598028441.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
eps |
float
|
O valor epsilon para a suavização de etiquetas. O valor padrão é 0,1. |
0.1
|
Devolve:
Tipo | Descrição |
---|---|
tuple
|
Uma tupla que contém os alvos BCE de suavização de etiquetas positivas e negativas. |
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.smooth(y, f=0.05)
Filtro de caixa da fração f.
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.plot_pr_curve(px, py, ap, save_dir=Path('pr_curve.png'), names=(), on_plot=None)
Traça uma curva de precisão-recordação.
Código fonte em 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)
Traça uma curva de confiança métrica.
Código fonte em ultralytics/utils/metrics.py
ultralytics.utils.metrics.compute_ap(recall, precision)
Calcula a precisão média (AP) tendo em conta as curvas de recuperação e precisão.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
recall |
list
|
A curva de recolha. |
necessário |
precision |
list
|
A curva de precisão. |
necessário |
Devolve:
Tipo | Descrição |
---|---|
float
|
Precisão média. |
ndarray
|
Curva de precisão do envelope. |
ndarray
|
Curva de recolha modificada com valores sentinela adicionados no início e no fim. |
Código fonte em 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='')
Calcula a precisão média por classe para a avaliação da deteção de objectos.
Parâmetros:
Nome | Tipo | Descrição | Predefinição |
---|---|---|---|
tp |
ndarray
|
Matriz binária que indica se a deteção está correcta (Verdadeiro) ou não (Falso). |
necessário |
conf |
ndarray
|
Conjunto de pontuações de confiança das detecções. |
necessário |
pred_cls |
ndarray
|
Conjunto de classes previstas para as detecções. |
necessário |
target_cls |
ndarray
|
Conjunto de classes verdadeiras das detecções. |
necessário |
plot |
bool
|
Desenha ou não as curvas PR. A predefinição é Falso. |
False
|
on_plot |
func
|
Uma chamada de retorno para passar o caminho e os dados das parcelas quando estas são renderizadas. Usa o padrão None. |
None
|
save_dir |
Path
|
Diretório para guardar as curvas PR. Por predefinição, utiliza um caminho vazio. |
Path()
|
names |
tuple
|
Agrupa os nomes das classes para traçar curvas PR. Usa como padrão uma tupla vazia. |
()
|
eps |
float
|
Um valor pequeno para evitar a divisão por zero. A predefinição é 1e-16. |
1e-16
|
prefix |
str
|
Uma cadeia de prefixos para guardar os ficheiros de desenho. Usa por defeito uma cadeia vazia. |
''
|
Devolve:
Tipo | Descrição |
---|---|
tuple
|
Uma tupla de seis matrizes e uma matriz de classes únicas, onde: tp (np.ndarray): Contagens positivas verdadeiras no limiar dado pela métrica F1 máxima para cada classe.Forma: (nc,). fp (np.ndarray): Contagens de falsos positivos no limiar dado pela métrica F1 máxima para cada classe. Forma: (nc,). p (np.ndarray): Valores de precisão no limiar dado pela métrica F1 máxima para cada classe. Forma: (nc,). r (np.ndarray): Recupera os valores no limiar dado pela métrica F1 máxima para cada classe. Forma: (nc,). f1 (np.ndarray): Valores de pontuação F1 no limiar dado pela métrica F1 máxima para cada classe. Forma: (nc,). ap (np.ndarray): Precisão média para cada classe em diferentes limiares de IoU. Forma: (nc, 10). unique_classes (np.ndarray): Uma matriz de classes exclusivas que têm dados. Forma: (nc,). p_curve (np.ndarray): Curvas de precisão para cada classe. Forma: (nc, 1000). r_curve (np.ndarray): Curvas de recuperação para cada classe. Forma: (nc, 1000). f1_curve (np.ndarray): Curvas de F1-score para cada classe. Forma: (nc, 1000). x (np.ndarray): Valores do eixo X para as curvas. Forma: (1000,). prec_values: Valores de precisão em mAP@0.5 para cada classe. Forma: (nc, 1000). |
Código fonte em 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 |
|
Criado em 2023-11-12, Atualizado em 2024-05-08
Autores: Burhan-Q (1), glenn-jocher (5), Laughing-q (1)