基于MMdetection框架的目标检测研究-6

最新推荐文章于 2024-09-24 09:40:31 发布

2401_86401473

最新推荐文章于 2024-09-24 09:40:31 发布

阅读量497

点赞数 19

文章标签：目标检测人工智能计算机视觉

本文链接：https://blog.csdn.net/2401_86401473/article/details/142151821

版权

plt.ylabel(‘Real label’)
plt.xlabel(‘Prediction’)
plt.tight_layout()
#plt.show()

保存每次生成的图像

f = plt.gcf() #获取当前图像
f.savefig(r’./{}.png’.format(‘result’))# 一定要放到plt.show()前面，否则保存图像为空白
plt.show()#plt.show() 后实际上已经创建了一个新的空白的图片
#f.clear() #释放内存，迭代保存的时候，plt.plot()会出现多根线在一张图叠加，可以加这句话
print(‘混淆矩阵图像绘制结束并保存在当前路径下。’)


结果显示如下，并在代码路径下保存生成结果：


![](https://img-blog.csdnimg.cn/816f1f58c4c54562aece477b9363fb51.png)


**混淆矩阵图分析：** 


该混淆矩阵结果图表示的是，OK实际测试样本有25个，预测为OK的样本有20个，预测为NG的样本有5个。NG实际测试样本有60个，预测为NG的有55个，预测为OK的样本有5个。


**绘制多类分类矩阵：**

#confusion_matrix
import numpy as np
import matplotlib.pyplot as plt
classes = [‘A’,‘B’,‘C’,‘D’,‘E’]
confusion_matrix = np.array([(9,1,3,4,0),(2,13,1,3,4),(1,4,10,0,13),(3,1,1,17,0),(0,0,0,1,14)],dtype=np.float64)

plt.imshow(confusion_matrix, interpolation=‘nearest’, cmap=plt.cm.Oranges) #按照像素显示出矩阵
plt.title(‘confusion_matrix’)
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes)
plt.yticks(tick_marks, classes)

thresh = confusion_matrix.max() / 2.
#iters = [[i,j] for i in range(len(classes)) for j in range((classes))]
#ij配对，遍历矩阵迭代器
iters = np.reshape([[[i,j] for j in range(5)] for i in range(5)],(confusion_matrix.size,2))
for i, j in iters:
plt.text(j, i, format(confusion_matrix[i, j])) #显示对应的数字

plt.ylabel(‘Real label’)
plt.xlabel(‘Prediction’)
plt.tight_layout()
plt.show()


结果如下：


![](https://img-blog.csdnimg.cn/9efabd0d7abb4e3894246c3498e77434.png)


**封装成函数绘制矩阵：**

from future import division
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import MultipleLocator

def plotCM(classes, matrix, savname):
“”“classes: a list of class names”“”
# Normalize by row
matrix = matrix.astype(np.float)
linesum = matrix.sum(1)
linesum = np.dot(linesum.reshape(-1, 1), np.ones((1, matrix.shape[1])))
matrix /= linesum
# plot
plt.switch_backend(‘agg’)
fig = plt.figure()
ax = fig.add_subplot(111)
cax = ax.matshow(matrix)
fig.colorbar(cax)
ax.xaxis.set_major_locator(MultipleLocator(1))
ax.yaxis.set_major_locator(MultipleLocator(1))
for i in range(matrix.shape[0]):
ax.text(i, i, str(‘%.2f’ % (matrix[i, i] * 100)), va=‘center’, ha=‘center’)

ax.set_xticklabels([''] + classes, rotation=90)
ax.set_yticklabels([''] + classes)
#save
plt.savefig(savname)

classes = [‘A’,‘B’,‘C’,‘D’,‘E’]
matrix = np.array(([9,1,3,4,0],[2,13,1,3,4],[1,4,10,0,13],[3,1,1,17,0],[0,0,0,1,14]),dtype=int)
savname = ‘test’
plotCM(classes, matrix, savname)


结果展示：


![](https://img-blog.csdnimg.cn/d5bd7494b2a64809a8679aeeb1647696.png)


如果要改变绘制矩阵的颜色，在代码中cmap=plt.cm.Oranges按照如下修改即可：


![](https://img-blog.csdnimg.cn/a98aa951215e491b8c37274747ca6c06.png)


![](https://img-blog.csdnimg.cn/b45ae04ea78f4dd2922c2be6cbb24ed7.png)


 ![](https://img-blog.csdnimg.cn/4a68472c894645158b72c34a75138020.png)


 ![](https://img-blog.csdnimg.cn/39cb8cb1470f4eaf97283226f18a0566.png)


**有时候我们需要将混淆矩阵的标签显示为中文，这时候需要我们进行适当的修改才可以 ，否则会出现乱码，代码和效果如下：**

#coding=utf-8
import matplotlib.pyplot as plt
import numpy as np

confusion = np.array(([91,0,0],[0,92,1],[0,0,95]))