Calculer la précision pour la détection d’objets (Outils Image Analyst)

Résumé

Calcule la précision d’un modèle de Deep Learning en comparant les objets détectés par l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning) aux données de réalité de terrain.

En savoir plus sur le fonctionnement de l’outil Calculer la précision pour la détection d’objets.

Utilisation

• Cet outil génère une table contenant des informations sur la précision de la sortie de l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning).

  La table contient des mesures de précision pour chaque classe dans les données détectées, ainsi qu’une ligne pour toutes les classes (précision globale). La table contient les champs suivants :

  • Precision—Ratio du nombre de vrais positifs par rapport au nombre total de prédictions.

  • Recall—Ratio du nombre de vrais positifs par rapport au nombre total d’objets réels (pertinents).

  • F1_Score—Moyenne pondérée de l’exactitude et du rappel. Les valeurs sont comprises entre 0 et 1, 1 indiquant la précision la plus élevée.

  • AP—Mesure de la précision moyenne, à savoir la précision moyenne calculée pour toutes les valeurs de rappel comprises entre 0 et 1 à une valeur d’intersection sur union (IoU) donnée.

  • True_Positive—Nombre de vrais positifs générés par le modèle.

  • False_Positive—Nombre de faux positifs générés par le modèle.

  • False_Negative—Nombre de faux négatifs générés par le modèle.

  Pour plus d’informations sur les métriques fournies dans la table en sortie et dans le rapport de précision, reportez-vous à la rubrique Fonctionnement de l’outil Calculer la précision pour la détection d’objets.

• Les données de référence de terrain en entrée doivent contenir des polygones. Si des données ponctuelles ou linéaires indiquent la localisation d’objets, utilisez l’outil Buffer (Zone tampon) pour générer une classe d’entités surfaciques avant d’exécuter cet outil.

• Le ratio IoU est utilisé comme seuil pour déterminer si un résultat prédit est un vrai positif ou un faux positif. Le ratio d’intersection sur union (IoU) est l’envergure de la superposition entre l’emprise autour d’un objet prédit et l’emprise autour des données de référence de terrain.

  

  Les nombres dans la table suivante correspondent aux nombres dans l’image ci-dessous :

  Nombre	Description
  	Zone d’intersection de la zone de délimitation prédite et de la zone de délimitation de référence de terrain
  	Zone totale de la zone de délimitation prédite et de la zone de délimitation de référence de terrain combinées

Paramètres

• Dialog
• Python

Etiqueter	Explication	Type de données
Entités détectées	Classe d’entités surfaciques contenant les objets détectés par l’outil Detect Objects Using Deep Learning (Détecter des objets à l’aide du Deep Learning).	Feature Class; Feature Layer
Entités de réalité de terrain	Classe d’entités surfaciques contenant des données de réalité de terrain.	Feature Class; Feature Layer
Table de précision en sortie	Table de précision en sortie.	Table
Rapport de précision en sortie (Facultatif)	Nom du rapport de précision en sortie. Le rapport est un document PDF contenant des mesures et diagrammes de précision.	File
Champ de valeur de classe détecté (Facultatif)	Champ dans la classe d’entités des objets détectés qui contient les valeurs de classe ou noms de classe. Si aucun nom de champ n’est fourni, un champ Classvalue ou Value est utilisé. Si ces champs n’existent pas, tous les enregistrements sont identifiés comme appartenant à une classe. Les valeurs ou noms de classe doivent correspondre exactement à ceux de la classe d’entités de référence de terrain.	Field
Champ de valeur de classe de réalité de terrain (Facultatif)	Champ dans la classe d’entités de réalité de terrain qui contient les valeurs de classe. Si aucun nom de champ n’est fourni, un champ Classvalue ou Value est utilisé. Si ces champs n’existent pas, tous les enregistrements sont identifiés comme appartenant à une classe. Les valeurs ou noms de classe doivent correspondre exactement à ceux de la classe d’entités des objets détectés.	Field
Intersection sur union (IoU) minimale (Facultatif)	Ratio IoU à utiliser comme seuil pour évaluer la précision du modèle de détection des objets. Le numérateur est la zone de superposition entre la zone de délimitation prédite et la zone de délimitation de référence de terrain. Le dénominateur est la zone d’union ou la zone englobée par les deux zones de délimitation. Les plages IoU sont comprises entre 0 et 1.	Double
Entités de masque (Facultatif)	Classe d’entités surfaciques qui délimite la ou les zones de calcul de la précision. La précision sera évaluée uniquement pour les entités qui intersectent le masque.	Feature Class; Feature Layer

Environnements

Espace de travail courant, Étendue, Espace de travail temporaire

Informations de licence

• Basic: Requiert Image Analyst
• Standard: Requiert Image Analyst
• Advanced: Requiert Image Analyst

Rubriques connexes

• Vue d’ensemble du jeu d’outils Deep Learning
• Installer des structures de Deep Learning pour ArcGIS
• Entraîner le modèle de Deep Learning
• Arguments de Deep Learning
• Architectures du modèle de Deep Learning
• Rechercher un outil de géotraitement
• Fonctionnement de l’outil Calculer la précision pour la détection d’objets