recognition_confusion_matrix
最后更新
luxonis_train.attached_modules.metrics.confusion_matrix.recognition_confusion_matrix用于分类和分割的混淆矩阵。类
RecognitionConfusionMatrix
输入::predictions(Tensor):[B, n_classes, ...]logitstargets(Tensor): 相同形状,one-hot
输出::mcc(Tensor): 矩阵的标量 MCC,参见 compute_mccconfusion_matrix(Tensor): [nclasses, nclasses] 计数,或 [2, 2](对于一个类),行是目标
公式:: 对于多于一个类,每个样本或每个像素的预测类是最高 logit 的索引。目标类是最高目标值的索引。对于相等的值,最低索引获胜,因此仅包含零的目标计为类0。torchmetricsMulticlassConfusionMatrix计算目标类和预测类的每一对。 对于一个类,torchmetricsBinaryConfusionMatrix比较每个预测值与相同位置的目标值。当批次的浮点预测超出[0, 1]时,它会对该批次的所有预测应用 sigmoid。高于0.5的预测为正。矩阵为[[TN, FP], [FN, TP]],包含真负例 (TN)、假正例 (FP)、假负例 (FN) 和真正例 (TP) 的计数。
参考
- 来源:封装 torchmetrics (Apache-2.0)。
- 许可证:Apache-2.0(本项目)
示例
附加到
model.nodes 中的 ClassificationHead:Yaml
1- name: ClassificationHead
2 inputs: [ResNet]
3 metrics:
4 - name: RecognitionConfusionMatrix兼容::
方法
init
Python
1def __init__(**kwargs):metric 属性保存封装的矩阵。当节点只有一个类时,它是一个 BinaryConfusionMatrix。否则,它是一个具有 n_classes 类的 MulticlassConfusionMatrix。参数**kwargs: 转发给 BaseMetric 的关键字参数,例如node。
compute
Python
1def compute(self) -> dict[str, Tensor]:示例
批次有三个样本和两个类。第三个样本的目标类是
1,但模型预测类是 0。SimpleNamespace 代表节点。Pycon
1>>> import torch
2>>> from types import SimpleNamespace
3>>> node = SimpleNamespace(task=None, n_classes=2)
4>>> metric = RecognitionConfusionMatrix(node=node)
5>>> logits = torch.tensor([[2.0, 0.0], [0.0, 1.0], [3.0, 1.0]])
6>>> targets = torch.tensor([[1, 0], [0, 1], [0, 1]])
7>>> metric.update(logits, targets)
8>>> result = metric.compute()
9>>> result["confusion_matrix"].tolist()
10[[1, 0], [1, 1]]
11>>> result["mcc"].item()
120.5dict[str, Tensor]: 一个包含两个键的字典。"mcc"保存矩阵的标量 MCC,参见 compute_mcc。"confusion_matrix"保存int64计数。行是目标类,列是预测类。形状是[n_classes, n_classes],或者对于一个类是[2, 2]。
reset
Python
1def reset(self):torchmetrics 矩阵。该方法不会在此指标上调用 torchmetrics 的 Metric.reset。上次 compute 的缓存结果会保留,并且 compute 会返回它,直到下一次 update。在 InstanceSegmentationConfusionMatrix 中,框矩阵也保留其计数。示例
重置后,compute 返回第一个批次的缓存结果。下一次 update 清除缓存,新结果仅包含第二个批次。
Pycon
1>>> import torch
2>>> from types import SimpleNamespace
3>>> node = SimpleNamespace(task=None, n_classes=2)
4>>> metric = RecognitionConfusionMatrix(node=node)
5>>> class_0 = torch.tensor([[1.0, 0.0]])
6>>> class_1 = torch.tensor([[0.0, 1.0]])
7>>> metric.update(class_0, class_0)
8>>> metric.compute()["confusion_matrix"].tolist()
9[[1, 0], [0, 0]]
10>>> metric.reset()
11>>> metric.compute()["confusion_matrix"].tolist()
12[[1, 0], [0, 0]]
13>>> metric.update(class_1, class_1)
14>>> metric.compute()["confusion_matrix"].tolist()
15[[0, 0], [0, 1]]update
Python
1def update(predictions: Tensor, targets: Tensor):1 进行 argmax。对于一个类,它将两个张量不变地传递。类文档字符串描述了封装矩阵如何计数它们。参数predictions(Tensor): 节点的主要输出,对于分类是形状为[B, n_classes]的 logits,对于分割是形状为[B, n_classes, H, W]的 logits。targets(Tensor): 相同形状的 one-hot 标签,任务的classification或segmentation标签。对于一个类,值必须是0或1。其他值会导致torchmetrics引发RuntimeError。