Bewertung von Bildklassifizierern

Deep Learning mit PyTorch für Fortgeschrittene

Michal Oleszak

Machine Learning Engineer

Datenaugmentation zur Testzeit

Datenaugmentation fürs Training:

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,
)

Datenaugmentation fürs Testen:

test_transforms = transforms.Compose([
    #
    # KEINE DATEN-AUGMENTATION IM TEST
    #
    transforms.ToTensor(),
    transforms.Resize((64, 64)),
])

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

Precision & Recall: binäre Klassifikation

Bei binärer Klassifikation:

Precision: Anteil korrekter Positivvorhersagen
Recall: Anteil aller positiven Beispiele korrekt erkannt

Eine 2x2-Konfusionsmatrix mit vier farbigen Feldern; daneben Formeln für Recall und Precision anhand der Farbcodes.

Precision & Recall: Multiklassen

Bei Multiklassen-Klassifikation: Precision und Recall je Klasse separat

Precision: Anteil korrekter Cumulus-Vorhersagen
Recall: Anteil aller Cumulus-Beispiele korrekt erkannt

Cumulus-Wolkenbild

Mittelung bei Multiklassen-Metriken

Bei 7 Klassen gibt es 7 Precision- und 7 Recall-Werte
Analyse pro Klasse oder aggregiert:
- Micro-Durchschnitt: globale Berechnung
- Macro-Durchschnitt: Mittel der Klassenmetriken
- Gewichteter Durchschnitt: gewichtetes Mittel der Klassenmetriken

Mittelung bei Multiklassen-Metriken

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")

Wann was nutzen:

Micro: unausgewogene Datensätze
Macro: Leistung kleiner Klassen ist wichtig
Weighted: Fehler in großen Klassen stärker gewichten

Evaluationsschleife

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()

Precision und Recall importieren und definieren
Über Testdaten ohne Gradienten iterieren
Pro Testbatch: Outputs holen, wahrscheinlichste Klasse nehmen und mit Labels an die Metriken übergeben
Metriken berechnen

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

Precision: 0.7284010648727417
Recall: 0.763038694858551

Leistung pro Klasse analysieren

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)

Metrik mit average=None berechnen
Ergibt einen Score pro Klasse
Attribut .class_to_idx des Dataset mappt Klassennamen auf Indizes

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}

Leistung pro Klasse analysieren

{
  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 = Klassenname, z. B. cirriform clouds
v = Klassenindex, z. B. 0
recall[v] = tensor(0.6364, dtype=torch.float32)
recall[v].item() = 0.6364

Lass uns üben!

Deep Learning mit PyTorch für Fortgeschrittene