embedding_metrics
最后更新
luxonis_train.attached_modules.metrics.embedding_metrics检查 GhostFaceNetHead 嵌入空间的指标。ClosestIsPositiveAccuracy 检查最近的其他嵌入是否具有相同的身份标签。MedianDistances 报告嵌入之间的中值欧几里得距离。当头部设置 cross_batch_memory_size 时,这两个指标还会对早期批次的嵌入进行评分。类
ClosestIsPositiveAccuracy
输入::predictions(Tensor): [B, D] 嵌入target(Tensor): [B] 身份标签
输出::Tensor: [0, 1] 范围内的标量准确性
公式:: 该指标计算每对嵌入之间的欧几里得距离。只有当至少一个其他嵌入具有相同标签时,嵌入才会被计数。准确性是最近的其他嵌入具有相同标签的计数嵌入数量,除以计数嵌入的总数。
参考
- 来源:从 omoindrot.github.io/triplet-loss 的 TensorFlow 代码转换为 PyTorch。
- 许可证:Apache-2.0(本项目)
注意
当头部设置
cross_batch_memory_size 时,该指标会保留所有批次中最新的嵌入,直到达到该数量。在内存满之前,它不会进行评分。之后,它会在每个批次中再次对内存中的所有嵌入进行评分。当指标重置时,内存会清空。示例
附加到
model.nodes 中的 GhostFaceNetHead:Yaml
1- name: GhostFaceNetHead
2 inputs: [GhostFaceNet]
3 metrics:
4 - name: ClosestIsPositiveAccuracy兼容::
方法
init
Python
1def __init__(**kwargs):Annotated 提示包含 MetricState,并使用 torchmetrics 的 add_state 方法。MetricState 描述了状态的默认值和归约如何从标记中得出。参数**kwargs: 转发给 BaseAttachedModule 的关键字参数,例如node。其余参数到达torchmetricsMetric,它只接受自己的选项,例如sync_on_compute,并对任何其他名称引发ValueError。
ValueError: 当指标状态没有default且其类型既不是Tensor也不是list[...]时。当指标状态的default是非空列表时也是如此。
compute
Python
1def compute(self) -> Tensor:Tensor:correct / total,一个从0到1的标量。自上次重置以来没有嵌入计数时,它为NaN。
update
Python
1def update(predictions: Tensor, target: Tensor):correct 会增加,增加的数量是最近的其他嵌入具有相同标签的计数嵌入。total 会增加,增加的数量是计数嵌入的总数。参数predictions(Tensor): 形状为[B, D]的嵌入,是节点的主要输出。target(Tensor): 每个嵌入的metadata/id标签,形状为[B]。
属性
correct
cross_batch_memory
node
supported_tasks
total
MedianDistances
输入::embeddings(Tensor): [B, D]target(Tensor): [B] 身份标签
输出::MedianDistance,MedianClosestDistance,MedianClosestPositiveDistance,MedianClosestVsClosestPositiveDistance(Tensor): 标量中值
公式:: 该指标计算每对嵌入之间的欧几里得距离。它收集所有批次中的四组距离并报告每个距离的中值:MedianDistance: 每对无序嵌入。MedianClosestDistance: 每个嵌入及其最近的其他嵌入。MedianClosestPositiveDistance: 每个嵌入及其最近的具有相同标签的其他嵌入。MedianClosestVsClosestPositiveDistance: 对于每个嵌入,最近的相同标签距离减去最近的距离。 当没有其他嵌入具有其标签时,最后两组会跳过一个嵌入。对于偶数个值,torch.median返回两个中间值中较小的一个。
参考
- 来源:从 omoindrot.github.io/triplet-loss 的 TensorFlow 代码转换为 PyTorch。
- 许可证:Apache-2.0(本项目)
注意
头部的跨批次内存的工作方式与 ClosestIsPositiveAccuracy 相同。当指标没有对任何批次进行评分时,所有四个值都为
NaN。结果只包含子指标,因此该指标不能作为主要指标。示例
附加到
model.nodes 中的 GhostFaceNetHead:Yaml
1- name: GhostFaceNetHead
2 inputs: [GhostFaceNet]
3 metrics:
4 - name: MedianDistances兼容::
方法
init
Python
1def __init__(**kwargs):Annotated 提示包含 MetricState,并使用 torchmetrics 的 add_state 方法。MetricState 描述了状态的默认值和归约如何从标记中得出。参数**kwargs: 转发给 BaseAttachedModule 的关键字参数,例如node。其余参数到达torchmetricsMetric,它只接受自己的选项,例如sync_on_compute,并对任何其他名称引发ValueError。
ValueError: 当指标状态没有default且其类型既不是Tensor也不是list[...]时。当指标状态的default是非空列表时也是如此。
compute
Python
1def compute(self) -> dict[str, Tensor]:dict[str, Tensor]: 键为"MedianDistance"、"MedianClosestDistance"、"MedianClosestPositiveDistance"和"MedianClosestVsClosestPositiveDistance"的标量中值。当自上次重置以来 update 没有添加任何内容时,所有四个都为NaN。只包含空张量的列表也会给出NaN。
update
Python
1def update(embeddings: Tensor, target: Tensor):all_distances: 每对无序的距离。closest_distances: 每个嵌入的最近距离。positive_distances: 每个具有相同标签的其他嵌入的最近相同标签距离。closest_vs_positive_distances: 对于相同的嵌入,最近的相同标签距离减去最近的距离。
embeddings(Tensor): 形状为[B, D]的嵌入,是节点的embeddings输出。target(Tensor): 每个嵌入的metadata/id标签,形状为[B]。