3

我正在使用 Detectron2 进行对象检测。我已经注册了 pascalvoc 数据集并训练了一个检测模型。如何计算我的测试数据集的平均 IOU？我知道detection2有一个用于计算IOU的预定义函数，即detectron2.structures.pairwise_iou

我在 csv 文件中有测试图像的地面实况边界框。csv 文件包含（文件名、宽度、高度、类、xmin、ymin、xmax、ymax）。如何解析 IOU 函数中的两个边界框并将其显示在 google colab 中。

这是我生成预测边界框的代码

from detectron2.utils.visualizer import ColorMode
import random

dataset_dicts = DatasetCatalog.get('/content/test')
for d in random.sample(dataset_dicts, 5):    
    im = cv2.imread(d["file_name"])
    outputs = predictor(im)
    v = Visualizer(im[:, :, ::-1], metadata=microcontroller_metadata, scale=0.8)
    v = v.draw_instance_predictions(outputs["instances"].to("cpu"))
    plt.figure(figsize = (14, 10))
    plt.imshow(cv2.cvtColor(v.get_image()[:, :, ::-1], cv2.COLOR_BGR2RGB))
    plt.show()
4

2 回答 2

2

您可以通过以下方式访问边界框和类

outputs["instances"].pred_boxes.tensor.cpu().numpy()
outputs["instances"].pred_classes.cpu().numpy()

现在你必须做的：

  1. 在图片上做你的推理
  2. 从 csv 文件加载图片的基本事实
  3. 将您的推理的类别和边界框与您的真实情况 (= IoU) 进行比较
于 2020-10-17T12:12:59.643 回答
1

你需要按照亚历山大所说的去做。因此，假设对于给定的图像，您有地面实况框。这些你可以表示为一个N,4numpy 数组。让我们称之为bboxes_gt。假设您的预测为您提供了M边界框。

现在您可以转换bboxes_gt为一个Box对象，然后使用structures.pairwise_iou()它以 pariwise 方式计算所有 IOU。这将为您提供一个N,M包含所有这些 IOU 的矩阵。它看起来像这样：

bboxes_gt = structures.Boxes(torch.Tensor(bboxes_gt))
bboxes_pred = outputs["instances"].pred_boxes
IOUs = structures.pairwise_iou(bboxes_gt, bboxes_pred)
于 2020-11-15T10:25:28.363 回答