评估法律
评估目标检测的脱靶率指标
语法
描述
例子
评估YOLO v2目标探测器的未命中率
此示例显示如何评估普雷雷达v2对象检测器的错过率。
加载车辆地面真理数据
加载包含车辆培训数据的表格。第一列包含训练图像，其余列包含带标签的边界框。
数据=负载('vevicletrainingdata.mat'); 培训数据=数据。车辆培训数据（1:100，：）；
将全目标添加到本地车辆数据文件夹。
datadir = fullfile（toolboxdir（“愿景”），“视觉数据”）;trainingdata.imagefilename = fullfile（datadir，trainingdata.imagefilename）;
使用表中的文件创建imageDatastore。
IMDS = imageageAtastore（trainingData.ImageFilename）;
使用表中的标签列创建boxLabelDatastore。
blds=boxLabelDatastore（培训数据（：，2:end））；
负载yolov2检测器进行检测
加载包含用于培训的图层图的探测器。
vevicledetector = load（'yolov2vehicledetectormat'mat'); 检测器=车辆检测器。检测器；
评估并绘制错过率结果
使用imageDatastore运行检测器。
结果=检测（检测器、imds）；
评估对实际数据的结果。
[am、fppi、错误率]=评估检测错误率（结果、BLD）；
绘制日志错误率/ FPPI曲线。
图形日志（fppi，误报）；网格在头衔（斯普林特）('日志平均未命中率=%.1f'（上午十一时）
评估停止标志探测器
加载地面真相表。
装载(“停车标志和汽车。垫”)停车标志=停车标志和车辆（：，1:2）；stopSigns.imageFilename=fullfile（toolboxdir(“愿景”），“视觉数据”,...stopSigns.imageFilename）；
培训基于ACF的探测器。
探测器= trainacfobjectdetector（stopsigns，'否定amplefactor'，2）;
ACF对象探测器培训培训将需要4个阶段。模型尺寸为34x31。样本阳性例子（〜100％完成）计算近似系数......完成。计算聚合信道功能...已完成。---------------------------------------------第1阶段：样本否定例子（〜100％完成）计算聚合信道功能...完成。火车分类器有42个正面例子和84个否定例子......完成。训练有素的分类器有19名弱者。------------------------------------------第2阶段：样本否定例子（〜100％完成）发现了84个培训的新负例。计算聚合信道功能...已完成。火车分类器有42个正面例子和84个否定例子......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 26.2555 seconds.
创建一个结构阵列以存储结果。
numimages =高度（stopsigns）;结果（NUMIMAGES）= struct（“盒子”，[]，“分数”, []);
在训练图像上运行检测器。
对于i=1:numImages i=imread（stopSigns.imageFilename{i}）[b盒，分数]=检测（检测器，I）；结果（i）方框=B方框；结果（i）分数=分数；结束结果= struct2table（结果）;
评估对实际数据的结果。
[AM，FPPI，MissRate] =评估术（结果，停止（:,2））;
绘制日志未命中率/FPPI曲线。
图loglog（FPPI，MissRate）;网格在头衔（斯普林特）('日志平均未命中率=%.1f'（上午十一时）
输入参数
检测结果—物体位置和分数
桌子
对象位置和分数，指定为两列表格，其中包含每个检测到的对象的边界框和分数。对于多类检测，第三列包含每个检测的预测标签。边界框必须存储在M-by-4细胞阵列。分数必须存储在M-by-1单元格数组，标签必须作为分类向量存储。
检测到对象时，您可以通过使用创建检测结果表imageageAtastore..
ds = imagedataStore（stopsigns.imagefilename）;检测=检测（探测器，DS）;
数据类型：桌子
地下田间—贴上标签的地面真相
数据存储|桌子
标记为地面真相，指定为数据存储或表。
每个边界框必须格式[xY宽度高度]。
数据存储 - 一个数据存储
读和readall函数返回一个单元数组或表格，其中包含至少两列边界框和标签单元向量。边界框必须是单元格数组M-4格式的矩阵[x,Y,宽度,高度]. 数据存储的读和readall函数必须返回以下格式之一：{盒,标签} - 这
Boxlabeldata商店创建此类型的数据存储。{图片,盒,标签}-组合数据存储。例如，使用
结合(imds,blds）。
表-一列或多列。所有列都包含边界框。每列必须是包含M-B-4表示单个对象类的矩阵，例如停车标志,carr或arfront.. 列包含4个元素的双数组M格式的边界框[x,Y,宽度,高度]。该格式指定相应图像中边界框的左上角位置和大小。
临界点—重叠阈值
0.5|数字标量
检测分配给地面真相框的重叠阈值，指定为数字标量。重叠比率被计算为与联盟的交叉点。
输出参数
您还可以从以下列表中选择一个网站：
