Понимание оценки COCO "максимальное количество обнаружений"

Question

Я начал использовать cocoapi для оценки модели, обученной с использованием API обнаружения объектов. После прочтения различных источников, которые объясняют среднюю среднюю точность (mAP) и отзыв, я путаюсь с параметром "максимальные обнаружения", используемым в cocoapi.

Из того, что я понял (например, здесь, здесь или здесь), каждый вычисляет mAP, вычисляя точность и вспоминая для различных пороговых значений модели. Это дает кривую точного возврата, и mAP рассчитывается как приближение к площади под этой кривой. Или, выраженный по-другому, как среднее значение максимальной точности в определенных диапазонах отзыва (0:0,1:1).

Тем не менее, Cocoapi, похоже, рассчитывает точность и отзыв для данного числа максимальных обнаружений (maxDet) с самыми высокими баллами. И оттуда получить кривую точности-отзыва для maxDets = 1, 10, 100, Почему это хороший показатель, поскольку он явно не совпадает с описанным выше методом (он потенциально исключает точки данных)?

В моем примере у меня есть ~ 3000 объектов на изображение. Оценка результата с использованием cocoapi дает ужасный отзыв, поскольку ограничивает количество обнаруженных объектов до 100.

В целях тестирования я передаю оценочный набор данных как основную правду и обнаруженные объекты (с некоторыми искусственными оценками). Я хотел бы ожидать точности и вспомнить довольно хорошо, что на самом деле происходит. Но как только я добавляю более 100 объектов, точность и отзыв снижаются с увеличением количества "обнаруженных объектов". Хотя они все "правильные"! Как это имеет смысл?

Answer 1

Я пришел к выводу, что именно так Cocoapi определяет свою метрику. Это, вероятно, имеет смысл в их контексте, но я также могу определить свою собственную (что я и сделал), основываясь на статьях, которые я прочитал и на которые ссылался выше.

Answer 2

Вы можете изменить maxDets параметр и определить новый summarize() метод экземпляра.

Создадим COCOeval объект:

cocoEval = COCOeval(cocoGt,cocoDt,annType)
cocoEval.params.maxDets = [200]
cocoEval.params.imgIds  = imgIdsDt
cocoEval.evaluate()
cocoEval.accumulate()
cocoEval.summarize_2() # instead of calling cocoEval.summarize()

Теперь определим summarize_2() метод в cocoeval.py модуль следующим образом:

def summarize_2(self):
    # Copy everything from `summarize` method here except
    # the function `_summarizeDets()`.
    def _summarizeDets():
        stats = np.zeros((12,))
        stats[0] = _summarize(1, maxDets=self.params.maxDets[0])
        stats[1] = _summarize(1, iouThr=.5, maxDets=self.params.maxDets[0])
        stats[2] = _summarize(1, iouThr=.75, maxDets=self.params.maxDets[0])
        stats[3] = _summarize(1, areaRng='small', maxDets=self.params.maxDets[0])
        stats[4] = _summarize(1, areaRng='medium', maxDets=self.params.maxDets[0])
        stats[5] = _summarize(1, areaRng='large', maxDets=self.params.maxDets[0])
        stats[6] = _summarize(0, maxDets=self.params.maxDets[0])
        stats[9] = _summarize(0, areaRng='small', maxDets=self.params.maxDets[0])
        stats[10] = _summarize(0, areaRng='medium', maxDets=self.params.maxDets[0])
        stats[11] = _summarize(0, areaRng='large', maxDets=self.params.maxDets[0])
        return stats
    # Copy other things which are left from `summarize()` here.

Если вы запустите вышеуказанный метод над своим набором данных, вы получите результат, подобный этому:

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=200 ] = 0.507
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=200 ] = 0.699
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=200 ] = 0.575
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=200 ] = 0.586
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=200 ] = 0.519
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=200 ] = 0.501
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=200 ] = 0.598
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=200 ] = 0.640
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=200 ] = 0.566
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=200 ] = 0.564