- 博客(3)
- 收藏
- 关注
原创 yolov8分类网络输出每个类别的准确率
print(f"类别 {class_names[i]} 的准确率: {acc:.2f}")cm = results.confusion_matrix.matrix # 获取混淆矩阵数据。print(f"Top-1 准确率: {results.top1:.2f}")print(f"Top-5 准确率: {results.top5:.2f}")# 尝试从 confusion_matrix 中提取每个类别的准确率。# # 打印 curves 和 curves_results。# 在数据集上验证模型。
2024-05-31 16:50:13
339
原创 ResNet模型计算每个类别的准确率与总准确率
net.load_state_dict(torch.load('resNet50.pth')) # 修改为你的模型路径。num_classes = len(validate_dataset.classes) # 获取数据集中的类别数。net = resnet50(num_classes=num_classes) # 使用你的ResNet模型。image_path = "E:\\wafer_data\\wafer_27" # 修改为你的数据集路径。# 在验证集上验证每个类别的分类准确率。
2024-05-30 11:07:08
357
原创 AlexNet计算每个类别的精确率、召回率和 F1-Score代码
net = AlexNet(num_classes=8, init_weights=False) # 注意:此处要设置为False,因为我们将加载预训练权重。net.load_state_dict(torch.load('AlexNet.pth')) # 修改为你的模型路径。image_path = "E:\\wafer_data\\wafer_27" # 修改为你的数据集路径。# 计算每个类别的精确率、召回率和 F1-Score。# 输出每个类别的精确率、召回率和 F1-Score。
2024-05-29 17:13:34
364
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人