此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • PrecisionRecallCurve
  • 属性
  • ARTIFACT_HEIGHT
  • ARTIFACT_WIDTH
  • DEFAULT_MAX_CONFIDENCE
  • DEFAULT_MIN_CONFIDENCE
  • DEFAULT_NUM_THRESHOLDS
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

precision_recall_curve

最后更新
Python API: luxonis_train.attached_modules.metrics.precision_recall_curve在置信度阈值网格上的精确度、召回率和 F1 分数。该指标在头的 NMS 前候选上运行自己的 NMS。因此,头的置信度阈值不会限制曲线。

类

PrecisionRecallCurve

在置信度网格上的检测精确度、召回率和 F1 分数。
  • 输入::
    • detections_pre_nms (Tensor): [B, N, 5 + nclasses + E],头的 NMS 输入,框以 xyxy 像素表示。E 是关键点或分割头的额外值数量,否则为 0。
    • target_boundingbox (Tensor): [Nt, 6],[batch, class, x, y, w, h],归一化。
  • 输出::
    • confidence, precision, recall, f1 (Tensor): [T] 在阈值网格上
    • max_f1, confidence_at_max_f1 (Tensor): 标量
  • 公式:: 对于每个批次,该指标使用 nms_conf_threshold、nms_iou_threshold 和 max_detections 运行 NMS。它从最高分数到最低分数遍历图像中保留的检测。当其类别的自由目标与它具有至少 matching_iou_threshold 的 IoU 时,检测为真阳性。然后,检测选择具有最高 IoU 的自由目标。对于阈值 c,分数至少为 c 的检测计数: P(c) = (TP(c))/(TP(c) + FP(c)),R(c) = (TP(c))/(Nt),F1(c) = (2 P(c) R(c))/(P(c) + R(c)) Nt 是所有批次的目标数量。当没有检测达到 c 时,P 为 1,因此曲线在高阈值处不会降至 0。当没有目标时,R 为 0,当 P + R = 0 时,F1 为 0。

方法

init
Python
1def __init__(*, confidence_thresholds: list[float] | None = None, num_thresholds: int | None = None, min_confidence: float | None = None, max_confidence: float | None = None, matching_iou_threshold: float = 0.5, nms_conf_threshold: float = 0.001, nms_iou_threshold: float | None = None, max_detections: int | None = None, **kwargs):
构建阈值网格并解析 NMS 设置。参数
  • confidence_thresholds (list[float] | None): 显式网格,至少包含两个严格递增的 [0, 1] 值。None 构建一个包含 num_thresholds 个从 min_confidence 到 max_confidence 均匀分布的值的网格。
  • num_thresholds (int | None): 构建网格的值数量,至少为 2。None 选择 101。
  • min_confidence (float | None): 构建网格的第一个值,在 [0, 1] 中。None 选择 0.0。
  • max_confidence (float | None): 构建网格的最后一个值,在 [0, 1] 中且高于 min_confidence。None 选择 1.0。
  • matching_iou_threshold (float): 检测与其类别的目标匹配的最小 IoU,在 [0, 1] 中。
  • nms_conf_threshold (float): NMS 的分数下限,在 [0, 1] 中。NMS 会丢弃低于下限的候选,因此它们永远不会被计数,即使在第一个阈值处也不会。该指标使用此值和网格的第一个值中较大的一个。较低的下限会保留更多候选,NMS 也会花费更多时间。下限为 0 会保留所有分数高于 0 的候选。
  • nms_iou_threshold (float | None): NMS 的 IoU 阈值,在 [0, 1] 中。None 选择节点的 iou_thres。
  • max_detections (int | None): NMS 为每个图像保留的最大检测数量,高于 0。None 选择节点的 max_det。
  • **kwargs: 转发给 BaseMetric 的关键字参数。它们必须包含 node。
引发
  • ValueError: 当 confidence_thresholds 与 num_thresholds、min_confidence 或 max_confidence 中的一个一起出现时。当值超出其范围时,以及当显式网格不是严格递增时。
build_curve_figure
Python
1def build_curve_figure(values: dict[str, Tensor]) -> Figure:
构建一个包含三个并排曲线图的图形。
  • 左:精确度与召回率。
  • 中:精确度与置信度。
  • 右:召回率与置信度。
置信度轴跨越阈值网格。所有其他轴跨越 [0, 1]。参数
  • values (dict[str, Tensor]): compute 的结果。该方法读取 "confidence"、"precision" 和 "recall"。
返回
  • Figure: 一个 matplotlib 图形,尺寸为 12x4 英寸,布局受限。
compute
Python
1def compute(self) -> dict[str, Tensor]:
计算每个置信度阈值下的精确度、召回率和 F1 分数。类文档字符串给出了公式。返回
  • dict[str, Tensor]: 曲线及其最佳点。
    • "confidence" 包含阈值网格,形状为 [T]。
    • "precision"、"recall" 和 "f1" 包含阈值处的值,每个形状为 [T]。
    • "max_f1" 包含最大的 F1,一个标量。
    • "confidence_at_max_f1" 包含达到 max_f1 的第一个阈值,一个标量。
get_artifact_names
Python
1def get_artifact_names(self) -> tuple[str, ...]:
返回曲线图像的名称。返回
get_artifacts
Python
1def get_artifacts(values: dict[str, Tensor]) -> dict[str, Tensor]:
将 build_curve_figure 的曲线绘制成一张图像。该方法在绘制后关闭图形。参数
  • values (dict[str, Tensor]): compute 的结果。
返回
  • dict[str, Tensor]: 键 "curves",包含形状为 [3, 400, 1200] 的 uint8 RGB 图像。
get_loggable_values
Python
1def get_loggable_values(values: dict[str, Tensor]) -> tuple[Tensor, dict[str, Tensor]]:
选择 max_f1 作为指标的日志值。训练器只记录返回的值,因此曲线不会出现在标量日志中。参数
  • values (dict[str, Tensor]): compute 的结果。
返回
  • tuple[Tensor, dict[str, Tensor]]: values["max_f1"],以及一个包含键 "confidence_at_max_f1" 的字典。
update
Python
1def update(detections_pre_nms: Tensor, target_boundingbox: Tensor):
在一个批次上运行 NMS 并将其计数添加到状态。对于每个阈值,该方法将批次的真阳性和假阳性添加到 true_positives 和 false_positives。它将目标数量添加到 target_count。首先,它将推理模式下 reset 创建的每个状态替换为普通张量。参数
  • detections_pre_nms (Tensor): 头的候选,形状为 [B, N, 5 + n_classes + E]。每行包含像素中的 xyxy 框、一个常量 1、类别分数和 E 个指标忽略的额外值。
  • target_boundingbox (Tensor): 目标框,形状为 [N_t, 6],表示为 [batch, class, x, y, w, h],值为归一化。该方法将它们移动到候选的设备。

属性

false_positives
node
supported_tasks
target_count
thresholds
true_positives

属性

ARTIFACT_HEIGHT

ARTIFACT_WIDTH

DEFAULT_MAX_CONFIDENCE

DEFAULT_MIN_CONFIDENCE

DEFAULT_NUM_THRESHOLDS