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
  • add_f1_metrics
  • compute_metric_lists
  • postprocess_metrics
  • process_class_metrics
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.mean_average_precision.utils平均精度均值指标的辅助函数。compute_metric_lists 将批次转换为 torchmetrics 的输入。postprocess_metrics 将原始结果转换为主值和训练器记录的其他值。

函数

add_f1_metrics

Python
1def add_f1_metrics(metrics: dict[str, Tensor]) -> dict[str, Tensor]:
为每对精度和召回值添加 F1 分数。对于每个包含 "map" 的键,函数会查找将 "map" 替换为 "mar" 的相同键。如果该键存在,函数会添加这两个值的调和平均值。新键将 "map" 替换为 "f1":F1 = (2⋅mAP⋅mAR)/(mAP + mAR)当两个值都为 0 时,F1 分数为 NaN。函数会就地更改 metrics。参数
  • metrics (dict[str, Tensor]): 指标值。
返回
  • dict[str, Tensor]: 相同的字典,添加了 F1 分数。

compute_metric_lists

Python
1def compute_metric_lists(boundinbox: list[Tensor], target_boundingbox: Tensor, height: int, width: int, *, masks: list[Tensor] | None = None, target_masks: Tensor | None = None) -> tuple[list[dict[str, Tensor]], list[dict[str, Tensor]]]:
将一批框转换为 torchmetrics 的输入。该函数为批次中的每个图像构建一个预测字典和一个目标字典。它们的格式是 torchmetrics MeanAveragePrecision 的 update 方法的输入:
  • 预测字典包含 "boxes",即预测框的前四列。它还包含 "scores"(第五列)和 "labels"(第六列,为 int32)。
  • 目标字典包含 "boxes",即图像的目标框,格式为 xyxy,单位为像素。它还包含 "labels",即类别列,为 int32。
  • 对于掩码,每个字典还包含 "masks",即图像的掩码,为 bool。
参数
  • boundinbox (list[Tensor]): 每个图像的预测框,形状为 [M_i, 6],格式为 [x1, y1, x2, y2, score, class],单位为像素。
  • target_boundingbox (Tensor): 批次的目标框,形状为 [N, 6],格式为 [batch_index, class, x, y, w, h]。x 和 y 是归一化的左上角坐标,w 和 h 是归一化的大小。
  • height (int): 图像高度,单位为像素。它用于缩放目标框的 y 坐标。
  • width (int): 图像宽度,单位为像素。它用于缩放目标框的 x 坐标。
  • masks (list[Tensor] | None): 每个图像的预测掩码,形状为 [M_i, H, W]。None 表示不添加掩码。
  • target_masks (Tensor | None): 批次的目标掩码,形状为 [N, H, W],与 target_boundingbox 的每一行对应。None 表示不添加掩码。
返回
  • tuple[list[dict[str, Tensor]], list[dict[str, Tensor]]]: 预测字典和目标字典,boundinbox 的每个项目对应一个。
引发
  • ValueError: 当只给出 masks 和 target_masks 中的一个时。

postprocess_metrics

Python
1def postprocess_metrics(metrics: dict[str, Tensor], class_names: Mapping[int, str], main_metric: str, device: torch.device) -> tuple[Tensor, dict[str, Tensor]]:
将原始指标值拆分为主值和其他值。该函数使用 add_f1_metrics 添加 F1 分数。然后,它使用 process_class_metrics 拆分每个按类别张量。最后,它从字典中删除 main_metric 并单独返回该值。该函数会就地更改 metrics。参数
  • metrics (dict[str, Tensor]): 原始指标值。字典必须包含键 "classes",请参阅 process_class_metrics。
  • class_names (Mapping[int, str]): 类别名称,以类别索引为键。
  • main_metric (str): 主值的键,例如 "map"。
  • device (torch.device): 当 metrics 没有键 main_metric 时,函数返回的零张量的设备。
返回
  • tuple[Tensor, dict[str, Tensor]]: 主值和其他值的字典。当 metrics 没有键 main_metric 时,主值是 device 上的零张量。

process_class_metrics

Python
1def process_class_metrics(metrics: dict[str, Tensor], class_names: Mapping[int, str]) -> dict[str, Tensor]:
将每个按类别张量拆分为每个类别一个标量值。该函数删除键 "classes" 和每个以 "_per_class" 结尾的键。一个包含多个元素的按类别张量会为每个类别生成一个新键,即 "<key>_<class name>"。其值是类别在 "classes" 中位置的元素。类别名称中的空格会变成下划线。一个包含一个元素的按类别张量不会生成新键。例如,当按类别指标关闭时,torchmetrics 返回 [-1]。该函数会就地更改 metrics。参数
  • metrics (dict[str, Tensor]): 指标值。字典必须包含键 "classes",一个包含按类别值顺序的类别索引的张量。
  • class_names (Mapping[int, str]): 类别名称,以类别索引为键。它必须包含 "classes" 的每个索引。
返回
  • dict[str, Tensor]: 相同的字典,不包含 "classes" 和按类别张量,并包含每个类别的值。