真阳性、假阳性、假阴性计算数据帧python

我已经训练了一个目标探测网络。我有一个地面真相注释CSV格式，

文件名、高度、宽度、xmin、ymin、xmax、ymax、class

。当我对输入图像评分时，我得到以下格式的输出CSV：

filename、xmin、ymin、xmax、ymax、class、confidence

考虑到

IoU

，我需要合并这些数据帧。所以基本上输出数据帧应该包含

如果找到匹配项，则基础真相及其相应的预测以及

IoU

值

如果未找到匹配的

IoU

则为基本真值和Nan预测值

如果未找到匹配的

IoU

则为Nan地面真值和预测值

这将是计算精度和召回值的中间步骤

我只是在这里添加了一个非常小的示例dataframe作为示例，用于测试这些条件

样本预测：

        filename  xmin  ymin  xmax  ymax class  confidence
0  dummyfile.jpg  4060  2060  4214  2242    DR    0.999985
1  dummyfile.jpg  3599  1282  3732  1456    DR    0.999900

地面真相样本：

        filename  width  height class  xmin  xmax  ymin  ymax
0  dummyfile.jpg   7201    5400    DR  3598  3728  1279  1451
1  dummyfile.jpg   7201    5400    DR  3916  4038  2186  2274

预期最终产出：

---

我添加了我目前的方法作为答案。有没有更好的方法来实现这一点？数据可能相当大。

这是我发现的一种方法

定义IoU功能：

将熊猫作为pd导入
将numpy作为np导入
导入操作系统
def IOU（df）：
''计算数据帧行内IOU的功能''
#确定相交矩形的最小和最大坐标
xmin_inter=max（df.xmin，df.xmin_pred）
ymin_inter=max（df.ymin，df.ymin_pred）
xmax_inter=min（df.xmax，df.xmax_pred）
ymax_inter=min（df.ymax，df.ymax_pred）
#求交矩形的面积
内部面积=max（0，xmax\u内部-xmin\u内部+1）*max（0，ymax\u内部-ymin\u内部+1）
#计算实际和预测框的面积
实际面积=（df.xmax-df.xmin+1）*（df.ymax-df.ymin+1）
pred_面积=（df.xmax_pred-df.xmin_pred+1）*（df.ymax_pred-df.ymin_pred+1）
#并上交的计算
iou=内部面积/浮动（实际面积+预面积-内部面积）
#返回与并集值的交点
归还欠条

解读地面真相与预测

ground\u truth=pd.read\u csv（“示例”\u gt.csv”）
预测=pd.read\u csv（'sample\u preds.csv'）
###使用_pred后缀重命名预测df列
pred_cols=prediction.columns.tolist（）
pred_cols.remove（'文件名'）
新列=[col+“\u pred”代表pred列中的列]
new_col_dict=dict（zip（pred_cols，new_cols））
prediction.rename（列=new\u col\u dict，inplace=True）

外接地面真理与预测

#####外部连接前提和基本事实df
newdf=pd.merge（预测，基本事实，'outer'，on='filename'）
###应用iou计算
newdf['iou']=newdf.apply（iou，axis=1）
###筛选所有iou=0
newdf=newdf[newdf['iou']>0]

从地面真实值和预测中获取不匹配值

final_df=pd.merge（prediction，newdf，on=prediction.columns.tolist（），how='left'）
final\u df=pd.merge（final\u df，ground\u truth，on=ground\u truth.columns.tolist（），how='outer'）

---

有更快的解决方案吗？