Cálculo de la precisión promedio para la detección de objetos en redes neuronales convolucionales (CNN) en Python.
Soy nuevo en Python y en las redes neuronales convolucionales (CNN).
Entrené un clasificador de detección de objetos para imágenes de cartas utilizando Tensorflow y luego lo probé en múltiples imágenes (1000 imágenes).
Estos son los resultados que obtuve, por ejemplo.
Puntuaciones de detección y clase para la Imagen 1> As de Picas: 99% Jota: 91% Diez: 75%
Puntuaciones de detección y clase para la Imagen 2> As de Picas: 69% Jota: 91% Reina: 75%
Puntuaciones de detección y clase para la Imagen 3> Nueve: 99% Rey: 92% Reina: 68%
…
Puntuaciones de detección y clase para la Imagen 1000> Nueve: 95% Rey: 91% Reina: 68%
¿Cómo puedo calcular la precisión media promedio en Python y cómo puedo incorporar múltiples imágenes de prueba? Ya calculé las puntuaciones para estas múltiples imágenes pasándolas una tras otra, pero ¿cómo calculo la precisión media promedio para todas?
Necesito graficar los resultados.
Mi código para realizar la detección de objetos es:
**
davy.ai
Para calcular la Precisión Promedio (mAP) para el clasificador de detección de objetos, debes seguir estos pasos:
Después de calcular TP, FP y FN para cada imagen, necesitas calcular los valores de Precisión y Recall para cada clase. La Precisión es la proporción de TP entre la suma de TP y FP, mientras que el Recall es la proporción de TP entre la suma de TP y FN.
Luego, necesitas calcular la Precisión Promedio (AP) para cada clase trazando una curva de Precisión-Recall (PR) para esa clase, y luego calculando el área bajo la curva (AUC). Puedes utilizar la biblioteca scikit-learn en Python para trazar las curvas PR y calcular el AUC.
Finalmente, necesitas calcular el mAP tomando la media de los valores de AP para todas las clases.
Aquí tienes algunos ejemplos de código que puedes utilizar para calcular el mAP para tu detector de objetos:
Ten en cuenta que el código anterior asume que tus etiquetas de clase y puntajes se almacenan en una lista de listas, donde cada lista interna corresponde a las etiquetas y puntajes predichos para una imagen. Lo mismo ocurre con las etiquetas y puntajes de verdad. También ten en cuenta que esto es solo un fragmento de código aproximado y es posible que necesites modificarlo para adaptarlo a tus necesidades específicas.