[Object Detection] 4-4. YOLO v3 : evaluation

0. evaluation

• 모델이 잘 학습되었는지 성능을 측정하고 평가하는 것
• training 중간에 수행하거나 training 후에 수행

---

1. eval일 때 model의 output 변경

• yolo layer의 output shape을 변경
• sigmoid와 exponential을 적용하여 실제 bounging box의 좌표를 뽑아낼 수 있도록 설정한다
  

• 결과 shape [batch, box수, 13]
  • box수 : 3가지의 grid 수(ex. 19x19 + 38x38 + 76x76) x anchor 수(3)

---

2. NMS (Non Maximum Suppression)

• utils/tools.py의 non_max_suppression() 함수

• 겹쳐있는 box의 수를 줄여주는 것
  • GT box과 가장 많이 겹쳐진 box를 선택한다
  • IOU와 예측한 objectness를 기반으로 fitering한다
• 기본적으로 한 gird에 3개의 anchor box로 예측하고 layer가 3개이기 때문에 하나의 object에 9개의 box가 생긴다
• 이를 하나로 줄여주기 위해 NMS를 사용한다

• 결과
  • batch 수 만큼의 list
  • list는 [box 수, 6]으로 구성
  • 6 : xmin, ymin, xmax, ymax, max_class_conf, max_class_idx

---

3. best bbox와 GT box 비교

• train/trainer.py의 run_eval() 함수
• TP, FP 구하기 -> mAP, recall의 값을 구하기 위해서 계산한다

3-1. targets의 box 정보 변환

• targets의 box 값은 0~1 사이로 normalize되어 있다
• cxcy 형식의 좌표를 minmax 형식으로 변환
• normalized된 좌표를 image width, height에 맞게 unnormalization 수행

3-2. true_positive 추출

• utils/tools.py의 get_batch_statistics() 함수
• 예측한 box와 target box의 iou가 threshold 이상이면 TP

• return
  • [batch, true_positive, pred_scores, pred_labels]
  • true_positive, pred_scores, pred_labels 수는 예측한 box 수

3-3. AP 계산

• utils/tools.py의 ap_per_class() 함수
• precision, recall, AP, f1, ap_class 값을 return

• objectness의 confidence 값으로 정렬한 후 계산
• $precision = \frac{TP}{number\_of\_GT}$
• $recall = \frac{TP}{TP + FP}$

3-4. 표로 AP 값 출력

• 강의에서는 AsciiTable을 사용하였지만 에러가 발생하여 PrettyTable() 사용
• 자세한 내용은 AsciiTable 에러 및 대체 라이브러리인 PrettyTable 글에 작성되어 있다