Mengevaluasi pengklasifikasi gambar

Deep Learning Lanjutan dengan PyTorch

Michal Oleszak

Machine Learning Engineer

Augmentasi data saat pengujian

Augmentasi data untuk data latih:

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,
)

Augmentasi data untuk data uji:

test_transforms = transforms.Compose([
    #
    # TIDAK ADA AUGMENTASI DATA SAAT UJI
    #
    transforms.ToTensor(),
    transforms.Resize((64, 64)),
])

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

Precision & Recall: klasifikasi biner

Dalam klasifikasi biner:

Precision: Fraksi prediksi positif yang benar
Recall: Fraksi semua contoh positif yang diprediksi benar

Matriks kebingungan 2x2 dengan empat kolom berwarna berbeda; di sampingnya, rumus recall dan precision dinyatakan dengan kode warna.

Precision & Recall: klasifikasi multi-kelas

Dalam klasifikasi multi-kelas: hitung precision dan recall terpisah untuk tiap kelas

Precision: Fraksi prediksi cumulus yang benar
Recall: Fraksi semua contoh cumulus yang diprediksi benar

Gambar awan cumulus

Merata-ratakan metrik multi-kelas

Dengan 7 kelas, ada 7 skor precision dan 7 skor recall
Dapat dianalisis per kelas, atau diagregasi:
- Rata-rata micro: perhitungan global
- Rata-rata macro: mean metrik per kelas
- Rata-rata berbobot: mean berbobot metrik per kelas

Rata-rata metrik multi-kelas

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")

Kapan digunakan:

Micro: Dataset tidak seimbang
Macro: Peduli kinerja pada kelas kecil
Weighted: Kesalahan pada kelas besar lebih penting

Loop evaluasi

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()

Impor dan definisikan metrik precision dan recall
Iterasi data uji tanpa gradien
Tiap batch uji: ambil output model, pilih kelas paling mungkin, lalu kirim ke fungsi metrik bersama label
Hitung metrik

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

Precision: 0.7284010648727417
Recall: 0.763038694858551

Analisis kinerja per kelas

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)

Hitung metrik dengan average=None
Hasilkan satu skor per kelas
Atribut .class_to_idx pada Dataset memetakan nama kelas ke indeks

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}

Analisis kinerja per kelas

{
  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 = nama kelas, mis. cirriform clouds
v = indeks kelas, mis. 0
recall[v] = tensor(0.6364, dtype=torch.float32)
recall[v].item() = 0.6364

Ayo berlatih!

Deep Learning Lanjutan dengan PyTorch