Оцінювання класифікаторів зображень

Середній рівень Deep Learning з PyTorch

Michal Oleszak

Machine Learning Engineer

Аугментація даних під час тестування

Аугментація даних для тренувальних даних:

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,
)

Аугментація даних для тестових даних:

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

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

Precision і Recall: бінарна класифікація

У бінарній класифікації:

Precision: частка правильних позитивних передбачень
Recall: частка всіх позитивних прикладів, передбачених правильно

Матриця змішування 2×2, кожне поле позначене іншим кольором; поруч формули для recall і precision у цих кольорах.

Precision і Recall: багатокласова класифікація

У багатокласовій класифікації: окремі precision і recall для кожного класу

Precision: частка передбачень «cumulus», що були правильні
Recall: частка всіх прикладів «cumulus», передбачених правильно

Зображення купчастої хмари

Агрегування метрик для багатокласових задач

За 7 класів маємо 7 значень precision і 7 значень recall
Їх можна аналізувати по класах або агрегувати:
- Micro average: глобальний розрахунок
- Macro average: середнє по класах
- Weighted average: зважене середнє по класах

Агрегування метрик для багатокласових задач

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")

Коли яку використовувати:

Micro: незбалансовані набори даних
Macro: важлива якість на малих класах
Weighted: помилки у великих класах важать більше

Цикл оцінювання

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()

Імпортуйте й визначте метрики precision і recall
Ітеруйтеся по тестових прикладах без градієнтів
Для кожного батчу отримаєте виходи моделі, візьміть найімовірніший клас і передайте його з мітками у функції метрик
Обчисліть метрики

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

Precision: 0.7284010648727417
Recall: 0.763038694858551

Аналіз якості по класах

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)

Обчисліть метрику з average=None
Це дає одне значення на клас
Атрибут Dataset .class_to_idx відображає назви класів у індекси

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}

Аналіз якості по класах

{
  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 = назва класу, напр. cirriform clouds
v = індекс класу, напр. 0
recall[v] = tensor(0.6364, dtype=torch.float32)
recall[v].item() = 0.6364

Давайте потренуємось!

Середній рівень Deep Learning з PyTorch