此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 函数
  • compute_mcc
  • preprocess_instance_masks
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包
最后更新
Python API: luxonis_train.attached_modules.metrics.confusion_matrix.utils混淆矩阵的辅助函数:实例掩码的合并和马修斯相关系数。

函数

compute_mcc

Python
1def compute_mcc(cm: Tensor) -> Tensor:
计算矩阵的马修斯相关系数。该函数使用马修斯相关系数 (MCC) 的多类形式。对于总计数为 s、对角线和为 c、行和为 tk、列和为 pk 的矩阵:MCC = (c s − ∑ktk pk)/(√((s2 − ∑kt2k)(s2 − ∑kp2k)))该值介于 -1 和 1 之间。当所有计数都在对角线上且至少有两个类有计数时,该值为 1。当计数总和为 0 或分母为 0 时,该函数返回 0。转置矩阵给出相同的值。参数
  • cm (Tensor): 形状为 [K, K] 的计数方阵。混淆矩阵传递其计数的 float32 副本。
返回
  • Tensor: 作为浮点张量的标量 MCC,位于 cm 的设备上。

preprocess_instance_masks

Python
1def preprocess_instance_masks(predicted_boundingbox: list[Tensor], predicted_instance_segmentation: list[Tensor], target_boundingbox: Tensor, target_instance_segmentation: Tensor, n_classes: int, height: int, width: int, device: torch.device) -> tuple[Tensor, Tensor]:
将每个类的实例掩码合并为语义掩码。对于每个图像,该函数使用逻辑或组合一个类的所有掩码。非零掩码值标记对象。预测掩码的类来自其框。目标掩码的图像和类来自其目标框。参数
  • predicted_boundingbox (list[Tensor]): 每个图像的预测框,形状为 [M_i, 6],类在第 5 列。列表的长度是批次大小。
  • predicted_instance_segmentation (list[Tensor]): 每个图像的预测掩码,形状为 [M_i, height, width],每个框一个。
  • target_boundingbox (Tensor): 批次的目标框,形状为 [N, C],批次索引在第 0 列,类在第 1 列。
  • target_instance_segmentation (Tensor): 目标掩码,形状为 [N, height, width],每个目标框一个。
  • n_classes (int): 类的数量。
  • height (int): 掩码的高度。
  • width (int): 掩码的宽度。
  • device (torch.device): 新掩码的设备。
返回
  • tuple[Tensor, Tensor]: 预测和目标语义掩码,每个形状为 [B, n_classes, height, width],其中 B 是 predicted_boundingbox 的长度。它们在对象处为 1,在其他地方为 0。预测掩码采用 predicted_instance_segmentation[0] 的 dtype。目标掩码采用 target_instance_segmentation 的 dtype。