SummaryWriter.add_scalar는 TensorBoard에 수치형 데이터를 기록하는 데 사용되는 함수add_scalar(tag, scalar_value, global_step=None, walltime=None)매개변수 설명tag (str): 기록할 값의 이름. TensorBoard에서 그래프의 축 제목scalar_value (float): 기록할 수치형 값global_step (int, 선택 사항): 이 값을 통해 특정 시점(global step)을 지정할 수 있음. 일반적으로 epoch or batch index 사용. 이를 통해 그래프의 x축에 시점을 표시.walltime (float, 선택 사항): 기록 시점의 시간. 기본적으로는 현재 시간을 사용.사용 예시from torch.utils..

보호되어 있는 글입니다.

위 그림처럼 segmentation mask가 있을 경우 visualization 하는 방법에 대해 공유해보고자 한다. 이렇게 visualization 할때 matplotlib, cv2 등등 있지만, 본 포스팅에서는 cv2를 이용하여 만들고자 한다. mask가 boolean 형태로 이미지 가로,세로 크기 형태로 있을 경우 이미지에 다음과 같이 cv2.addWeighted 함수를 사용하면 쉽게 투명도를 반영하여 그릴 수 있다. cv2.addWeighted 함수는 다른 블로그에도 자세히 설명이 있으니 본 포스팅에서는 그냥 이용만 한다 def save_mask(origin_img, mask, save_name,color=(0,0,255)): # origin_img.shape => (h,w,c) # mask.s..

알겠습니다. 클래스별로 Precision, Recall, F1-score를 계산하기 위해서는 각 클래스에 대한 True Positive (TP), False Positive (FP), False Negative (FN) 값을 추적하고, 이를 이용하여 Precision, Recall, F1-score를 계산해야 합니다. 아래는 클래스별로 Precision, Recall, F1-score를 계산하는 코드입니다: import numpy as np from scipy.optimize import linear_sum_assignment from sklearn.metrics import precision_score, recall_score, f1_score def calculate_iou(box1, box2): x..

헝가리안 알고리즘을 활용하여 Detection에서 Precision, Recall, F1-score를 계산하는 코드를 작성할 수 있습니다. 헝가리안 알고리즘은 매칭 문제에 사용되며, 여기서는 Detection 결과와 Ground Truth 간의 IoU를 기준으로 최적의 매칭을 찾아서 Precision, Recall, F1-score를 계산할 것입니다. 아래는 예시 코드입니다: import numpy as np from scipy.optimize import linear_sum_assignment from sklearn.metrics import precision_score, recall_score, f1_score def calculate_iou(box1, box2): # box: [x1, y1, x2,..

Precision-Recall 그래프를 그리려면 다양한 임계값(threshold)에서의 정밀도(Precision) 및 재현율(Recall)을 계산하고 이를 그래프로 표현해야 합니다. 아래는 Python 및 Matplotlib을 사용하여 Precision-Recall 그래프를 그리는 예제 코드입니다. import matplotlib.pyplot as plt def calculate_iou(box1, box2): # calculate IoU as before def calculate_precision_recall(predictions, ground_truths, thresholds): precisions = [] recalls = [] for threshold in thresholds: true_positi..