Ocena klasyfikatorów obrazów

Głębokie uczenie z PyTorch – poziom średnio zaawansowany

Michal Oleszak

Machine Learning Engineer

Augmentacja danych w czasie testowania

Augmentacja danych dla zbioru treningowego:

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,
)

Augmentacja danych dla zbioru testowego:

test_transforms = transforms.Compose([
    #
    # NO DATA AUGMENTATION AT TEST TIME
    #
    transforms.ToTensor(),
    transforms.Resize((64, 64)),
])

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

Precyzja i czułość: klasyfikacja binarna

W klasyfikacji binarnej:

Precyzja: udział poprawnych predykcji pozytywnych
Czułość: udział poprawnie przewidzianych przykładów pozytywnych

Macierz pomyłek 2x2 z czterema polami oznaczonymi różnymi kolorami; obok niej wzory na czułość i precyzję wyrażone za pomocą kodów kolorów.

Precyzja i czułość: klasyfikacja wieloklasowa

W klasyfikacji wieloklasowej: osobna precyzja i czułość dla każdej klasy

Precyzja: udział poprawnych predykcji klasy cumulus
Czułość: udział poprawnie przewidzianych przykładów klasy cumulus

Zdjęcie chmury cumulusowej

Uśrednianie metryk wieloklasowych

Przy 7 klasach mamy 7 wyników precyzji i 7 wyników czułości
Można je analizować per klasa lub agregować:
- Średnia mikro: globalne obliczenie
- Średnia makro: średnia metryk per klasa
- Średnia ważona: ważona średnia metryk per klasa

Uśrednianie metryk wieloklasowych

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")

Kiedy używać każdego:

Micro: niezbalansowane zbiory danych
Macro: gdy liczy się wydajność na małych klasach
Weighted: gdy błędy w większych klasach są ważniejsze

Pętla ewaluacyjna

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()

Importowanie i definiowanie metryk precyzji i czułości
Iterowanie po przykładach testowych bez gradientu
Dla każdej partii: pobieranie wyjść modelu, wybór najbardziej prawdopodobnej klasy i przekazanie do funkcji metryk wraz z etykietami
Obliczanie metryk

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

Precision: 0.7284010648727417
Recall: 0.763038694858551

Analiza wydajności per klasa

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)

Obliczanie metryki z average=None
Daje to jeden wynik na klasę
Atrybut .class_to_idx obiektu Dataset mapuje nazwy klas na indeksy

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}

Analiza wydajności per klasa

{
  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 = nazwa klasy, np. cirriform clouds
v = indeks klasy, np. 0
recall[v] = tensor(0.6364, dtype=torch.float32)
recall[v].item() = 0.6364

Czas na ćwiczenia!

Głębokie uczenie z PyTorch – poziom średnio zaawansowany