evaluateDetectionMissRate
Оцените метрику скорости промаха для обнаружения объектов
Синтаксис
Описание
logAverageMissRate = evaluateDetectionMissRate(detectionResults,groundTruthData)detectionResults по сравнению с groundTruthData, который используется для измерения эффективности детектора объектов. Для многоклассового детектора средняя логарифмическая частота промахов является вектором счетов для каждого класса объекта в порядке, заданном groundTruthData.
[ Возвраты точки данных для графического изображения кривого журнала miss rate-false на изображение (FPPI), используя входные аргументы из предыдущего синтаксиса.logAverageMissRate,fppi,missRate]
= evaluateDetectionMissRate(___)
[___] = evaluateDetectionMissRate(___, задает порог перекрытия для назначения обнаружения основного блока истинности.threshold)
Примеры
Оценка скорости пропуска детектора объектов YOLO v2
В этом примере показано, как оценить частоту пропусков предварительно обученного детектора объектов YOLO v2.
Загрузите Транспортное средство Достоверных данных
Загрузите таблицу, содержащую транспортное средство обучающих данных. Первый столбец содержит обучающие изображения, остальные столбцы содержат маркированные ограничительные рамки.
data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData(1:100,:);Добавьте полный путь к локальной папке данных о транспортном средстве.
dataDir = fullfile(toolboxdir('vision'), 'visiondata'); trainingData.imageFilename = fullfile(dataDir, trainingData.imageFilename);
Создайте imageDatastore с помощью файлов из таблицы.
imds = imageDatastore(trainingData.imageFilename);
Создайте boxLabelDatastore с помощью столбцов меток из таблицы.
blds = boxLabelDatastore(trainingData(:,2:end));
Детектор YOLOv2 нагрузки для обнаружения
Загрузите детектор, содержащий layerGraph для обучения.
vehicleDetector = load('yolov2VehicleDetector.mat');
detector = vehicleDetector.detector;Оцените и постройте график результатов Miss Rate
Запустите детектор с imageDatastore.
results = detect(detector, imds);
Оцените результаты по достоверным данным.
[am, fppi, missRate] = evaluateDetectionMissRate(results, blds);
Постройте график кривой log-miss-rate/FPPI.
figure; loglog(fppi, missRate); grid on title(sprintf('Log Average Miss Rate = %.1f', am))
Вычислите детектор знака упора
Загрузите таблицу основной истины.
load('stopSignsAndCars.mat') stopSigns = stopSignsAndCars(:, 1:2); stopSigns.imageFilename = fullfile(toolboxdir('vision'),'visiondata', ... stopSigns.imageFilename);
Обучите детектор на основе ACF.
detector = trainACFObjectDetector(stopSigns,'NegativeSamplesFactor',2);ACF Object Detector Training The training will take 4 stages. The model size is 34x31. Sample positive examples(~100% Completed) Compute approximation coefficients...Completed. Compute aggregated channel features...Completed. -------------------------------------------- Stage 1: Sample negative examples(~100% Completed) Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 19 weak learners. -------------------------------------------- Stage 2: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 20 weak learners. -------------------------------------------- Stage 3: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 54 weak learners. -------------------------------------------- Stage 4: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 61 weak learners. -------------------------------------------- ACF object detector training is completed. Elapsed time is 18.5349 seconds.
Создайте массив структур для хранения результатов.
numImages = height(stopSigns); results(numImages) = struct('Boxes', [], 'Scores', []);
Запустите детектор на обучающих изображениях.
for i = 1 : numImages I = imread(stopSigns.imageFilename{i}); [bboxes, scores] = detect(detector, I); results(i).Boxes = bboxes; results(i).Scores = scores; end results = struct2table(results);
Оцените результаты по достоверным данным.
[am, fppi, missRate] = evaluateDetectionMissRate(results, stopSigns(:, 2));
Построение графика кривой log-miss-rate/FPPI.
figure loglog(fppi, missRate); grid on title(sprintf('log Average Miss Rate = %.1f', am))
Входные параметры
detectionResults - Местоположения и счета объектов
таблица
Местоположения и счета объектов, заданные как двухколоночная таблица, содержащая ограничительные рамки и счета для каждого обнаруженного объекта. Для многоклассового обнаружения третий столбец содержит предсказанную метку для каждого обнаружения. Ограничительные рамки должны храниться в массиве ячеек M -by-4. Оценки должны храниться в массиве ячеек M -by-1, а метки должны храниться как категориальный вектор.
При обнаружении объектов можно создать таблицу результатов обнаружения при помощи imageDatastore.
ds = imageDatastore(stopSigns.imageFilename);
detectionResults = detect(detector,ds);Типы данных: table
groundTruthData - Маркированная основная истина
datastore | таблица
Помеченная основная истина, заданная как datastore или таблица.
Каждый ограничивающий прямоугольник должен быть в формате [<reservedrangesplaceholder3> <reservedrangesplaceholder2> <reservedrangesplaceholder1> <reservedrangesplaceholder0> ].
Datastore - хранилище данных,
readиreadallфункции возвращают массив ячеек или таблицу с по крайней мере двумя столбцами ограничивающего прямоугольника и помечает векторы камер. Ограничивающие прямоугольники должны быть в массиве ячеек матриц <reservedrangesplaceholder4>-by-4 в формате [x, y, width, height]. The datastorereadиreadallфункции должны вернуть один из форматов:{boxes, labels} - The
boxLabelDatastoreсоздает этот тип datastore.{images, boxes, labels} - комбинированный datastore. Для примера, использование
combine(imds,blds).
См.
boxLabelDatastore.Таблица - Один или несколько столбцов. Все столбцы содержат ограничительные рамки. Каждый столбец должен быть вектором камеры, который содержит M на 4 матрицы, которые представляют один класс объекта, такой как stopSign, carRear или carFront. Столбцы содержат двойные массивы с 4 элементами M ограничивающих прямоугольников в формате [x, y, width, height]. Формат задает положение верхнего левого угла и размер ограничивающего прямоугольника на соответствующем изображении.
threshold - Порог перекрытия
0,5 | числовой скаляр
Порог перекрытия для обнаружения, назначенного основному блоку истинности, заданный как числовой скаляр. Коэффициент перекрытия вычисляется как пересечение над объединением.