作者 |facebookresearch
编译 |Flin
来源 |Github
评估
评估是一个过程, 需要多个输入 / 输出对并进行汇总。你始终可以直接使用模型, 而只是手动解析其输入 / 输出以执行评估。或者, 可以使用 DatasetEvaluator 接口在 detectron2 中实现评估。
接口。
- 直接使用模型:https://detectron2.readthedoc…
- DatasetEvaluator:https://detectron2.readthedoc…
Detectron2 包括一些 DatasetEvaluator
使用标准数据集特定的 API(例如 COCO,LVIS)来计算指标的工具。你还可以实现自己的DatasetEvaluator
, 它使用输入 / 输出对来实现自己的其他一些工作。例如, 要计算在验证集上检测到多少个实例:
class Counter(DatasetEvaluator):
def reset(self):
self.count = 0
def process(self, inputs, outputs):
for output in outputs:
self.count += len(output["instances"])
def evaluate(self):
# 把 self.count 存起来,或者打印出来,或者返回。return {"count": self.count}
一旦有了DatasetEvaluator
, 就可以使用 inference_on_dataset 运行它。例如,
- inference_on_dataset:https://detectron2.readthedoc…
val_results = inference_on_dataset(
model,
val_data_loader,
DatasetEvaluators([COCOEvaluator(...), Counter()]))
与使用模型手动运行评估相比, 此功能的优势在于你可以使用 DatasetEvaluators 合并评估器。这样, 你可以运行所有评估, 而不必多次浏览数据集。
- DatasetEvaluators:https://detectron2.readthedoc…
inference_on_dataset
功能还为给定的模型和数据集提供准确的速度基准。
原文链接:https://detectron2.readthedoc…
欢迎关注磐创 AI 博客站:
http://panchuang.net/
sklearn 机器学习中文官方文档:
http://sklearn123.com/
欢迎关注磐创博客资源汇总站:
http://docs.panchuang.net/