Avaliando classificadores de imagens

Aprendizagem profunda intermediária com PyTorch

Michal Oleszak

Machine Learning Engineer

Data augmentation no teste

Aumento de dados no treino:

train_transforms = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(45),
    transforms.RandomAutocontrast(),
    transforms.ToTensor(),
    transforms.Resize((64, 64)),
])

dataset_train = ImageFolder(
  "clouds_train", 
  transform=train_transforms,
)

Aumento de dados no teste:

test_transforms = transforms.Compose([
    #
    # SEM DATA AUGMENTATION NO TESTE
    #
    transforms.ToTensor(),
    transforms.Resize((64, 64)),
])

dataset_test = ImageFolder(
  "clouds_test", 
  transform=test_transforms,
)

Precisão e Recall: classificação binária

Em classificação binária:

Precisão: fração de previsões positivas corretas
Recall: fração de todos os positivos previstos corretamente

Uma matriz de confusão 2x2 com cada um dos quatro campos em uma cor diferente; ao lado, fórmulas de recall e precisão expressas pelas cores.

Precisão e Recall: multiclasse

Em multiclasse: calcule precisão e recall por classe

Precisão: fração das previsões “cumulus” corretas
Recall: fração de todos os exemplos “cumulus” previstos corretamente

Foto de nuvem cumulus

Médias em métricas multiclasse

Com 7 classes, há 7 valores de precisão e 7 de recall
Podemos analisar por classe ou agregar:
- Micro: cálculo global
- Macro: média das métricas por classe
- Ponderada: média ponderada por classe

Médias em métricas multiclasse

from torchmetrics import Recall

recall_per_class = Recall(task="multiclass", num_classes=7, average=None)
recall_micro = Recall(task="multiclass", num_classes=7, average="micro")
recall_macro = Recall(task="multiclass", num_classes=7, average="macro")
recall_weighted = Recall(task="multiclass", num_classes=7, average="weighted")

Quando usar cada uma:

Micro: conjuntos desbalanceados
Macro: se importa com classes pequenas
Weighted: erros em classes grandes pesam mais

Loop de avaliação

from torchmetrics import Precision, Recall

metric_precision = Precision(
  task="multiclass", num_classes=7, average="macro"
)
metric_recall = Recall(
  task="multiclass", num_classes=7, average="macro"
)

net.eval()
with torch.no_grad():
    for images, labels in dataloader_test:

        outputs = net(images)
        _, preds = torch.max(outputs, 1)
        metric_precision(preds, labels)
        metric_recall(preds, labels)

precision = metric_precision.compute()
recall = metric_recall.compute()

Importe e defina precisão e recall
Itere no teste sem gradiente
Em cada batch, pegue as saídas, escolha a classe mais provável e passe com os rótulos para as métricas
Calcule as métricas

print(f"Precision: {precision}")
print(f"Recall: {recall}")

Precision: 0.7284010648727417
Recall: 0.763038694858551

Analisando desempenho por classe

metric_recall = Recall(
  task="multiclass", num_classes=7, average=None
)
net.eval()
with torch.no_grad():
    for images, labels in dataloader_test:
        outputs = net(images)
        _, preds = torch.max(outputs, 1)
        metric_recall(preds, labels)
recall = metric_recall.compute()

print(recall)

tensor([0.6364, 1.0000, 0.9091, 0.7917, 
        0.5049, 0.9500, 0.5493],
       dtype=torch.float32)

Calcule com average=None
Isso gera um score por classe
.class_to_idx do Dataset mapeia nomes de classe para índices

dataset_test.class_to_idx

{'cirriform clouds': 0,
 'clear sky': 1,
 'cumulonimbus clouds': 2,
 'cumulus clouds': 3,
 'high cumuliform clouds': 4,
 'stratiform clouds': 5,
 'stratocumulus clouds': 6}

Analisando desempenho por classe

{
  k: recall[v].item() 
  for k, v 
  in dataset_test.class_to_idx.items()
}

{'cirriform clouds': 0.6363636255264282,
 'clear sky': 1.0,
 'cumulonimbus clouds': 0.9090909361839294,
 'cumulus clouds': 0.7916666865348816,
 'high cumuliform clouds': 0.5048543810844421,
 'stratiform clouds': 0.949999988079071,
 'stratocumulus clouds': 0.5492957830429077}

k = nome da classe, ex.: cirriform clouds
v = índice da classe, ex.: 0
recall[v] = tensor(0.6364, dtype=torch.float32)
recall[v].item() = 0.6364

Vamos praticar!

Aprendizagem profunda intermediária com PyTorch