Calculer la précision pour la détection d’objets (Image Analyst)
Disponible avec une licence Image Analyst.
Synthèse
Calcule la précision d’un modèle d’apprentissage profond en comparant les objets détectés par l’outil Détecter des objets à l’aide de l’apprentissage profond aux données de réalité de terrain.
La table contient des mesures de précision pour chaque classe dans les données détectées, ainsi qu’une ligne pour toutes les classes (précision globale). La table contient les champs suivants :
Precision—Ratio du nombre de vrais positifs par rapport au nombre total de prévisions.
Recall—Ratio du nombre de vrais positifs par rapport au nombre total d’objets réels (pertinents).
F1_Score—Moyenne pondérée de l’exactitude et du rappel. Les valeurs sont comprises entre 0 et 1, 1 indiquant la précision la plus élevée.
AP—Mesure de l’exactitude moyenne, qui est l’exactitude moyenne calculée sur toutes les valeurs de rappel entre 0 et 1 à une valeur d’intersection sur union (IoU) donnée.
True_Positive—Nombre de vrais positifs générés par le modèle.
False_Positive—Nombre de faux positifs générés par le modèle.
False_Negative—Nombre de faux négatifs générés par le modèle.
Les données de référence de terrain en entrée doivent contenir des polygones. Si des données ponctuelles ou linéaires indiquent la localisation d’objets, utilisez l’outil Zone tampon pour générer une classe d’entités surfaciques avant d’exécuter cet outil.
Le ratio IoU est utilisé comme seuil pour déterminer si un résultat prédit est un vrai positif ou un faux positif. Le ratio IoU est l’envergure de la superposition entre la zone de délimitation autour d’un objet prédit et la zone de délimitation autour des données de référence de terrain.Les nombres figurant dans le tableau suivant correspondent à ceux de l’image ci-dessus :
Nombre
Description
Zone d’intersection de la zone de délimitation prédite et de la zone de délimitation de référence de terrain
Zone totale de la zone de délimitation prédite et de la zone de délimitation de référence de terrain combinées
Paramètres
Étiquette
Explication
Type de données
Entités détectées
Classe d’entités surfaciques contenant les objets détectés par l’outil Détecter des objets à l’aide d’algorithmes de Deep Learning.
Feature Class; Feature Layer
Entités de réalité de terrain
Classe d’entités surfaciques contenant des données de réalité de terrain.
Feature Class; Feature Layer
Table de précision en sortie
Table de précision en sortie.
Table
Rapport de précision en sortie
(Facultatif)
Nom du rapport de précision en sortie. Le rapport est un document PDF contenant des mesures et diagrammes de précision.
File
Champ de valeur de classe détecté
(Facultatif)
Champ dans la classe d’entités des objets détectés qui contient les valeurs de classe ou noms de classe.
Si aucun nom de champ n’est fourni, un champ Classvalue ou Value est utilisé. Si ces champs n’existent pas, tous les enregistrements sont identifiés comme appartenant à une classe.
Les valeurs ou noms de classe doivent correspondre exactement à ceux de la classe d’entités de référence de terrain.
Field
Champ de valeur de classe de réalité de terrain
(Facultatif)
Champ dans la classe d’entités de réalité de terrain qui contient les valeurs de classe.
Si aucun nom de champ n’est fourni, un champ Classvalue ou Value est utilisé. Si ces champs n’existent pas, tous les enregistrements sont identifiés comme appartenant à une classe.
Les valeurs ou noms de classe doivent correspondre exactement à ceux de la classe d’entités des objets détectés.
Field
Intersection sur union (IoU) minimale
(Facultatif)
Ratio IoU à utiliser comme seuil pour évaluer la précision du modèle de détection des objets. Le numérateur est la zone de superposition entre la zone de délimitation prédite et la zone de délimitation de référence de terrain. Le dénominateur est la zone d’union ou la zone englobée par les deux zones de délimitation. Les plages IoU sont comprises entre 0 et 1.
Double
Entités de masque
(Facultatif)
Classe d’entités surfaciques qui délimite la ou les zones de calcul de la précision. La précision sera évaluée uniquement pour les entités qui intersectent le masque.
Classe d’entités surfaciques contenant les objets détectés par l’outil Détecter des objets à l’aide d’algorithmes de Deep Learning.
Feature Class; Feature Layer
ground_truth_features
Classe d’entités surfaciques contenant des données de réalité de terrain.
Feature Class; Feature Layer
out_accuracy_table
Table de précision en sortie.
Table
out_accuracy_report
(Facultatif)
Nom du rapport de précision en sortie. Le rapport est un document PDF contenant des mesures et diagrammes de précision.
File
detected_class_value_field
(Facultatif)
Champ dans la classe d’entités des objets détectés qui contient les valeurs de classe ou noms de classe.
Si aucun nom de champ n’est fourni, un champ Classvalue ou Value est utilisé. Si ces champs n’existent pas, tous les enregistrements sont identifiés comme appartenant à une classe.
Les valeurs ou noms de classe doivent correspondre exactement à ceux de la classe d’entités de référence de terrain.
Field
ground_truth_class_value_field
(Facultatif)
Champ dans la classe d’entités de réalité de terrain qui contient les valeurs de classe.
Si aucun nom de champ n’est fourni, un champ Classvalue ou Value est utilisé. Si ces champs n’existent pas, tous les enregistrements sont identifiés comme appartenant à une classe.
Les valeurs ou noms de classe doivent correspondre exactement à ceux de la classe d’entités des objets détectés.
Field
min_iou
(Facultatif)
Ratio IoU à utiliser comme seuil pour évaluer la précision du modèle de détection des objets. Le numérateur est la zone de superposition entre la zone de délimitation prédite et la zone de délimitation de référence de terrain. Le dénominateur est la zone d’union ou la zone englobée par les deux zones de délimitation. Les plages IoU sont comprises entre 0 et 1.
Double
mask_features
(Facultatif)
Classe d’entités surfaciques qui délimite la ou les zones de calcul de la précision. La précision sera évaluée uniquement pour les entités qui intersectent le masque.
Feature Class; Feature Layer
Exemple de code
Exemple 1 d’utilisation de la fonction ComputeAccuracyForObjectDetection (fenêtre Python)
Cet exemple génère une table de précision pour une valeur IoU minimale.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Execute
ComputeAccuracyForObjectDetection(
"C:/DeepLearning/Data.gdb/detectedFeatures",
"C:/DeepLearning/Data.gdb/groundTruth",
"C:/DeepLearning/Data.gdb/accuracyTable",
"E:/DeepLearning/accuracyReport.pdf", "Class",
"Class", 0.5, " C:/DeepLearning/Data.gdb/AOI")
Exemple 2 d’utilisation de la fonction ComputeAccuracyForObjectDetection (script autonome)
Cet exemple génère une table de précision pour une valeur IoU minimale.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Set local variables
detected_features = "C:/DeepLearning/Data.gdb/detectedFeatures"
ground_truth_features = "C:/DeepLearning/Data.gdb/groundTruth"
out_accuracy_table = "C:/DeepLearning/Data.gdb/accuracyTable"
out_accuracy_report = "C:/DeepLearning/accuracyReport.pdf"
detected_class_value_field = "Class"
ground_truth_class_value_field = "Class"
min_iou = 0.5
mask_features = "C:/DeepLearning/Data.gdb/AOI"
# Execute
ComputeAccuracyForObjectDetection(detected_features,
ground_truth_features, out_accuracy_table,
out_accuracy_report, detected_class_value_field,
ground_truth_class_value_field, min_iou, mask_features)
