Python 目标检测分类报告

我正在研究目标检测。我知道检查你的模型有多好的标准是计算

mAP

，但我想更进一步。我想为每个类生成一个分类报告。为此，我要计算

TP

、

FP

和

FN

。我想在这里避免循环，并找到一种快速计算方法。简而言之，这些步骤包括：

1） 丢弃置信度得分<0.6的所有预测框 2） 使用GT计算剩余框的IOU。这是矢量化的 3） 对于IOU>=0.5的所有框，检查相应的

predicted

和

ground truth

标签。 4） 更新

TP

，

FP

和

FN

计数

以下是一个例子：

Ground-Truth:
[[142. 208. 158. 346.]  person,  
 [ 39.  63. 203. 112.]  dog,     
 [ 49.  75. 203. 125.]  person,
 [ 31.  69. 201. 125.]  dog,
 [ 50.  72. 197. 121.]  cat,
 [ 35.  51. 196. 110.]  dog]]


Predictions:

[[243. 203. 348. 279.]  cat     0.7,
 [ 54.  66. 198. 114.]  person  0.5,
 [ 42.  78. 186. 126.]  person  0.5,
 [ 18.  63. 235. 135.]  person  0.5,
 [ 54.  72. 198. 120.]  person  0.5]

我以向量化的方式计算IOU，得到这个数组：

IOU:

array([[0.        , 0.        , 0.        , 0.        , 0.        ],
       [0.        , 0.79577124, 0.48706725, 0.51433694, 0.62690467],
       [0.        , 0.6242775 , 0.787838  , 0.49283153, 0.79685193],
       [0.        , 0.65112543, 0.70033115, 0.609319  , 0.72605044],
       [0.        , 0.7406585 , 0.70739084, 0.4610215 , 0.94662803],
       [0.        , 0.6147791 , 0.39040923, 0.43102074, 0.48987743]],
      dtype=float32)

---

现在我无法找出如何以更快的方式匹配类标签，因为这是一个复杂的矩阵。有人能帮我吗？

如果我正确理解您的IOU度量输出（每一行表示一个边界框预测，每一列表示图像中每个对象的边界框）
然后您可以为每一行获取最大化IOU度量的列的索引：

索引=np.argmax（IOU，轴=1）

---

有了这些索引，就可以访问你的

地面真相

标签。

如果我正确理解你的IOU度量输出（每行代表一个边界框预测，每列代表图像中每个对象的边界框）
然后您可以为每一行获取最大化IOU度量的列的索引：

索引=np.argmax（IOU，轴=1）

通过这些索引，可以访问您的

基本真相

标签