evaluateDetectionPrecision
评估目标检测的精度度量
语法
描述
averagePrecision= evaluateDetectionPrecision (detectionResults，groundTruthData）detectionResults相比groundTruthData．您可以使用平均精度来衡量对象检测器的性能。对于多类检测器，函数返回averagePrecision作为每个对象类的分数向量，按指定的顺序groundTruthData．
［使用前面语法中的输入参数，返回用于绘制精度收回曲线的数据点。averagePrecision，回忆，精度) = evaluateDetectionPrecision (＿＿＿）
［＿＿＿) = evaluateDetectionPrecision (＿＿＿，指定为地面真值框分配检测的重叠阈值。阈值）
例子
评估YOLO v2对象检测器的精度
这个例子展示了如何评估一个预先训练过的YOLO v2对象检测器。
装载车辆地面真实数据
加载一个包含车辆训练数据的表。第一列包含训练图像，其余列包含标记的边界框。
data =负载(“vehicleTrainingData.mat”）;trainingData = data.vehicleTrainingData;
将fullpath添加到本地车辆数据文件夹。
dataDir = fullfile (toolboxdir (“愿景”)，“visiondata”）;trainingData。imageFilename = fullfile(dataDir, trainingData.imageFilename);
使用表中的文件创建一个imageDatastore。
imd = imageDatastore (trainingData.imageFilename);
使用表中的标签列创建一个boxLabelDatastore。
建筑物= boxLabelDatastore (trainingData(:, 2:结束));
加载YOLOv2检测器进行检测
加载包含用于训练的layerGraph的检测器。
vehicleDetector =负载(“yolov2VehicleDetector.mat”）;探测器= vehicleDetector.detector;
评估并绘制结果
使用imageDatastore运行检测器。
结果= detect(检测器，imds);
根据地面真实数据评估结果。
[ap, recall, precision] = evaluateDetectionPrecision(results, blds);
绘制精度/召回率曲线。
图;情节(记得,精度);网格在标题(sprintf ('平均精度= %.1f'据美联社)),
停止标志检测器的精度评估
使用预加载的地面真实信息训练基于acf的检测器。在训练图像上运行检测器。评估检测器并显示精度-召回曲线。
加载地面真值表。
负载(“stopSignsAndCars.mat”) stopSigns = stopSignsAndCars(:，1:2);stopSigns。imageFilename = fullfile (toolboxdir (“愿景”)，“visiondata”，.．.stopSigns.imageFilename);
训练基于acf的检测器。
探测器= trainACFObjectDetector (stopSigns,“NegativeSamplesFactor”2);
ACF对象检测器培训该培训将分为4个阶段。模型尺寸为34x31。样本正的例子(~100%完成)计算近似系数…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。训练分类器有42个正面例子和84个反面例子…经过训练的分类器有19个弱学习者。-------------------------------------------- 阶段2:样本负面例子(~ 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。训练分类器有42个正面例子和84个反面例子… 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 62.5408 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”})；
在训练图像上运行检测器。将结果存储为一个表。
为i = 1: numImages i = imread(stopsignals . imagefilename {i});[bboxes, scores] =检测(检测器，I);结果。盒子我{}= bboxes;结果。分数{我}=分数;结束
根据地面真实数据评估结果。获得精确的统计数据。
[据美联社、召回、精密]= evaluateDetectionPrecision(结果,stopSigns (:, 2));
绘制精度回忆曲线。
图情节(召回、精密)网格在标题(sprintf ('平均精度= %.1f'据美联社)),
输入参数
detectionResults- - - - - -对象位置和分数
表格
对象位置和分数，指定为包含每个检测对象的包围框和分数的两列表。对于多类检测，第三列包含每个检测的预测标签。边界框必须存储在米4单元阵列。分数必须存储在米-by-1单元格数组，标签必须存储为分类向量。
在检测对象时，可以使用imageDatastore．
ds = imageDatastore (stopSigns.imageFilename);detectionResults =检测(检测器,ds);
数据类型:表格
groundTruthData- - - - - -贴上地面实况
数据存储|表格
标记为地面真值，指定为数据存储或表。
每个边界框必须采用以下格式[xy宽度高度］．
Datastore -数据存储
读和readall函数返回一个单元格数组或包含至少两列边框和标签单元格向量的表。包围框必须在单元格数组中米- × 4矩阵的格式[x，y，宽度，高度］．数据存储的读和readall函数必须返回其中一种格式:｛盒子，标签} - - -
boxLabelDatastore创建这种类型的数据存储。｛图片，盒子，标签} -一个组合的数据存储。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。所有列都包含边框。每一列必须是包含米-by-4矩阵，表示单个对象类，例如stopSign，carRear,或carFront．列包含4个元素的双数组米格式中的边框[x，y，宽度，高度］．该格式指定了相应图像中边界框的左上角位置和大小。
阈值- - - - - -重叠的阈值
0．5|数字标量
将检测赋给地面真值框的重叠阈值，指定为数字标量。交叠比计算为与并集的交点。
输出参数
你也可以从以下列表中选择一个网站:
