evaluateDetectionPrecision
评估对象检测的精度指标
语法
描述
averagePrecision= evaluateDetectionPrecision (detectionResults,groundTruthData)detectionResults相比groundTruthData。您可以使用平均精度测量物体检测器的性能。多级探测器,函数返回averagePrecision作为一个向量的分数为每个对象类指定的顺序groundTruthData。
(返回数据点来绘制precision-recall曲线,使用输入参数从以前的语法。averagePrecision,回忆,精度)= evaluateDetectionPrecision (___)
(___)= evaluateDetectionPrecision (___,指定分配重叠阈值检测地面真理盒子。阈值)
例子
评估精度YOLO v2意思对象探测器
这个例子展示了如何评估一个pretrained YOLO v2意思对象探测器。
加载车辆地面实况数据
加载包含车辆训练数据表。第一列包含训练图像,剩下的列包含标记边界框。
data =负载(“vehicleTrainingData.mat”);trainingData = data.vehicleTrainingData;
添加fullpath当地车辆数据文件夹。
dataDir = fullfile (toolboxdir (“愿景”),“visiondata”);trainingData。imageFilename = fullfile (dataDir trainingData.imageFilename);
从表中创建一个imageDatastore使用文件。
imd = imageDatastore (trainingData.imageFilename);
使用标签创建一个boxLabelDatastore从表中列。
建筑物= boxLabelDatastore (trainingData(:, 2:结束));
负载YOLOv2检测器检测
加载包含layerGraph检测器的培训。
vehicleDetector =负载(“yolov2VehicleDetector.mat”);探测器= vehicleDetector.detector;
评估和阴谋的结果
运行与imageDatastore探测器。
结果=检测(检测器、imd);
评估结果与地面实况数据。
[据美联社、召回、精密]= evaluateDetectionPrecision(结果,建筑物);
曲线绘制精度/召回。
图;情节(记得,精度);网格在标题(sprintf (的平均精度= % .1f '据美联社)),
评估精度的停车标志探测器
火车一个ACF-based探测器使用预装载地面实况信息。训练图像上运行探测器。评估探测器和显示precision-recall曲线。
负载地面真值表。
负载(“stopSignsAndCars.mat”)stopSigns = stopSignsAndCars (:, 1:2);stopSigns。imageFilename = fullfile (toolboxdir (“愿景”),“visiondata”,…stopSigns.imageFilename);
火车一个ACF-based探测器。
探测器= trainACFObjectDetector (stopSigns,“NegativeSamplesFactor”2);
ACF对象探测器培训的培训将采取四个阶段。模型大小34 x31。样品正面例子(~ 100%)完成计算近似系数…完成。计算聚合通道特性…完成。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -阶段1:样本的负面例子(~ 100%)完成计算聚合通道特性…完成。训练分类器与42个正面例子和84年负面例子…完成。训练的分类器有19个弱的学习者。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -阶段2:样本的负面例子(~ 100%完成)发现了84个新的负面例子进行训练。计算聚合通道特性…完成。训练分类器与42个正面例子和84年负面例子…完成。 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 27.2614 seconds.
创建一个表来存储结果。
numImages =身高(stopSigns);结果=表(“大小”[numImages 2],…“VariableTypes”,{“细胞”,“细胞”},…“VariableNames”,{“盒子”,“分数”});
训练图像上运行探测器。将结果存储为一个表。
为我= 1:numImages我= imread (stopSigns.imageFilename{我});[bboxes,分数]=检测(探测器,I);结果。盒子我{}= bboxes;结果。分数{我}=分数;结束
评估结果与地面实况数据。得到精确统计。
[据美联社、召回、精密]= evaluateDetectionPrecision(结果,stopSigns (:, 2));
情节precision-recall曲线。
图情节(召回、精密)网格在标题(sprintf (的平均精度= % .1f '据美联社)),
输入参数
detectionResults- - - - - -对象位置和分数
表
对象位置和分数,指定为一个两列的表包含每个检测对象的边界框和分数。对于多级检测,第三列包含预测每个检测标签。必须存储在一个边界框米4单元阵列。必须存储在一个分数米1单元阵列,标签必须存储作为一个分类向量。
检测对象时,您可以创建表通过使用检测结果imageDatastore。
ds = imageDatastore (stopSigns.imageFilename);detectionResults =检测(检测器,ds);
数据类型:表
groundTruthData- - - - - -贴上地面实况
数据存储|表
贴上地面真理,指定为一个数据存储或表。
必须将每个边界框的格式(xy宽度高度]。
数据存储的数据存储
读和readall函数返回一个单元阵列或表至少有两列细胞边界框和标签向量。边界框必须在单元阵列米4矩阵的格式(x,y,宽度,高度]。数据存储的读和readall函数必须返回一个格式:{盒子,标签}- - -
boxLabelDatastore创建这种类型的数据存储。{图片,盒子,标签}- - -数据存储相结合。例如,使用
结合(洛桑国际管理发展学院,建筑物)。
表——一个或多个列。所有列包含边界框。每一列必须包含一个细胞向量米4矩阵代表一个对象类,如stopSign,carRear,或carFront。列包含第4单元阵列的两倍米边界框的格式(x,y,宽度,高度]。格式指定边界框的左上角位置和大小在相应的形象。
阈值- - - - - -重叠的阈值
0.5(默认)|数字标量
分配一个重叠阈值检测地面真理框,指定为一个数字标量。重叠率计算的交点在联盟。
输出参数
版本历史
介绍了R2017a
