DetectionMAP

  • class paddle.fluid.metrics.DetectionMAP(input, gt_label, gt_box, gt_difficult=None, class_num=None, background_label=0, overlap_threshold=0.5, evaluate_difficult=True, ap_version='integral')[源代码]

该OP用于计算检测网络的平均精度（mAP）。 mAP是衡量object detectors精度的指标，比如 Faster R-CNN,SSD等。它不同于召回率，它是最大精度的平均值。

通常步骤如下：

  • 根据检测器中的输入和label，计算True Positive(TP)真正例 和 False Positive(FP)假正例
  • 计算map，支持 11 point 和 integral 模式
  • 请从以下文章中获取更多信息：
  • 参数：
    • input (Variable) – detection的输出结果，一个 shape=[M, 6] 的 LoDtensor。布局为[label, confidence, xmin, ymin, xmax, ymax],label为类别标签，confidence为置信度，xmin，ymin为检测框左上点坐标，xmax，ymax为检测框右下点坐标，数据类型为float32或float64。
    • gt_label (Variable) – ground truth label 的索引，它是一个形状为[N, 1]的LoDtensor，数据类型为float32或float64。
    • gt_box (Variable) – ground truth bounds box (bbox)，是一个具有形状的LoD张量[N, 4]。布局是[xmin, ymin, xmax, ymax]，数据类型为float32或float64。
    • gt_difficult (Variable|None, 可选) – 指定这个ground truth是否是一个difficult bounding bbox，它可以是一个 shape=[N, 1]的LoDTensor，也可以不被指定。默认设置为None，表示所有的ground truth标签都不是difficult bbox，数据类型为float32或float64。
    • class_num (int) – 检测类别的数目。
    • background_label (int) – 背景标签的索引，背景标签将被忽略。如果设置为-1，则所有类别将被考虑，默认为0。
    • overlap_threshold (float) – 判断真假阳性的阈值，默认为0.5。
    • evaluate_difficult (bool) – 是否考虑 difficult ground truth 进行评价，默认为 True。当 gt_difficult 为 None 时，这个参数不起作用。
    • ap_version (str) – 平均精度的计算方法，必须是 "integral" 或 "11point"。详情请查看 https://sanchom.wordpress.com/tag/average-precision/。 其中，11point为：11-point 插值平均精度。积分: precision-recall曲线的自然积分。

返回：变量(Variable) 计算mAP的结果，其中数据类型为float32或float64。

返回类型：变量(Variable)

代码示例

  1. import paddle.fluid as fluid
  2.  
  3. batch_size = -1 # 可以为任意大小
  4. image_boxs_num = 10
  5. bounding_bboxes_num = 21
  6.  
  7. pb = fluid.data(name='prior_box', shape=[image_boxs_num, 4],
  8.     dtype='float32')
  9.  
  10. pbv = fluid.data(name='prior_box_var', shape=[image_boxs_num, 4],
  11.     dtype='float32')
  12.  
  13. loc = fluid.data(name='target_box', shape=[batch_size, bounding_bboxes_num, 4],
  14.     dtype='float32')
  15.  
  16. scores = fluid.data(name='scores', shape=[batch_size, bounding_bboxes_num, image_boxs_num],
  17.     dtype='float32')
  18.  
  19. nmsed_outs = fluid.layers.detection_output(scores=scores,
  20.     loc=loc, prior_box=pb, prior_box_var=pbv)
  21.  
  22. gt_box = fluid.data(name="gt_box", shape=[batch_size, 4], dtype="float32")
  23. gt_label = fluid.data(name="gt_label", shape=[batch_size, 1], dtype="float32")
  24. difficult = fluid.data(name="difficult", shape=[batch_size, 1], dtype="float32")
  25.  
  26. exe = fluid.Executor(fluid.CUDAPlace(0))
  27. map_evaluator = fluid.metrics.DetectionMAP(nmsed_outs, gt_label, gt_box, difficult, class_num = 3)
  28. cur_map, accum_map = map_evaluator.get_map_var()
  • get_map_var()

返回：当前 mini-batch 的 mAP 变量和不同 mini-batch 的 mAP 累加和

  • reset(executor, reset_program=None)

在指定的 batch 结束或者用户指定的开始时重置度量状态。

  • 参数：
    • executor (Executor) – 执行reset_program的执行程序
    • reset_program (Program|None, 可选) – 单个program 的 reset 过程。如果设置为 None，将创建一个 program