僅包含不匹配的車輛預(yù)測的視圖。如果你正在使用本演示中的notebook版本，則將看到做出不匹配預(yù)測的最常見原因是標(biāo)簽不匹配。這并不奇怪，因為所有這三個類都在超類vehicle中�？ㄜ嚭推�車在人工注釋和模型預(yù)測中常�；煜�。但是，除了容易混淆之外，讓我們來看一下我們的預(yù)測視圖中的前兩個示例。

圖片右側(cè)的截斷汽車的邊框太小。預(yù)測要準確得多，但沒有達到IoU閾值。來自COCO 2017檢測數(shù)據(jù)集的原始圖像。COCO 2017檢測數(shù)據(jù)集：https：／／cocodataset．org／＃detection－2017上面的圖片中發(fā)現(xiàn)的第一個樣本有一個注解錯誤。圖像右側(cè)的截斷汽車的真實值邊界框（粉紅色）太小。預(yù)測（黃色）更為準確，但未達到IoU閾值。

樹木陰影下的汽車預(yù)測箱是正確的，但沒有在真實情況中標(biāo)出。在我們不匹配的預(yù)測視圖中找到的第二個樣本包含另一種注釋錯誤。實際上，這是一個更為嚴重的問題。圖像中正確預(yù)測的邊界框（黃色）沒有相應(yīng)的真實性。在樹蔭下的汽車根本沒有標(biāo)注。手動解決這些錯誤超出了本示例的范圍，因為它需要很大的反饋回路。FiftyOne致力于使反饋回路成為可能（且高效），但現(xiàn)在讓我們集中討論如何回答有關(guān)模型性能的問題，并確認我們的模型確實經(jīng)常混淆公共汽車、小汽車和卡車。我們將通過重新評估合并到單個vehicle標(biāo)簽中的公共汽車，小汽車和卡車的預(yù)測來做到這一點。下面的代碼創(chuàng)建了這樣一個視圖，將視圖克隆到一個單獨的數(shù)據(jù)集中，這樣我們將獲得單獨的評估結(jié)果，并評估合并的標(biāo)簽。vehicle＿labels ＝ ｛
   label： ＂vehicle＂ for label in ［＂bus＂，＂car＂， ＂truck＂］
｝
merged＿vehicles＿dataset ＝ （
   vehicles
   ．map＿labels（＂ground＿truth＂， vehicle＿labels）
   ．map＿labels（＂predictions＂， vehicle＿labels）
   ．exclude＿fields（［＂tp＿iou＿0＿75＂， ＂fp＿iou＿0＿75＂， ＂fn＿iou＿0＿75＂］）
   ．clone（＂merged＿vehicles＿dataset＂）
）
evaluate＿detections（
   merged＿vehicles＿dataset， ＂predictions＂， gt＿field＝＂ground＿truth＂， iou＝0．75）
session．dataset ＝ merged＿vehicles＿dataset

僅包含從車輛視圖克隆的合并車輛的數(shù)據(jù)集。現(xiàn)在，我們獲得了原始分割的公交車，汽車和卡車檢測以及合并檢測的評估結(jié)果�，F(xiàn)在，我們可以簡單地比較原始評估中的真陽性數(shù)與合并評估中的真陽性數(shù)。original＿tp＿count ＝ vehicles．sum（＂tp＿iou＿0＿75＂）
merged＿tp＿count ＝ merged＿vehicles＿dataset．sum（＂tp＿iou＿0＿75＂）
print（＂Original Vehicles True Positives： ％d＂ ％ original＿tp＿count）
print（＂Merged Vehicles True Positives： ％d＂ ％ merged＿tp＿count）

我們可以看到，在合并公共汽車、汽車和卡車標(biāo)簽之前，有1431個真陽性。將三種標(biāo)簽合并在一起產(chǎn)生了1515個真陽性結(jié)果。Original Vehicles True Positives： 1431
Merged Vehicles True Positives： 1515

我們能夠證實我們的假設(shè)！盡管很明顯。但是，我們現(xiàn)在有了以數(shù)據(jù)為基礎(chǔ)的理解，可以了解此模型的常見故障模式。現(xiàn)在，整個實驗可以與其他人共享。在notebook中，以下內(nèi)容將截屏最后一個活動的App窗口，因此其他人可以靜態(tài)查看所有輸出。session．freeze（） ＃ Screenshot the active App window for sharing

總結(jié)

notebook電腦已成為執(zhí)行和共享數(shù)據(jù)科學(xué)的流行媒體，尤其是在計算機視覺領(lǐng)域。但是，從歷史上看，使用視覺數(shù)據(jù)集一直是一個挑戰(zhàn)，我們希望通過像FiftyOne這樣的開放工具來應(yīng)對這一挑戰(zhàn)。notebook革命在很大程度上仍處于起步階段，并將繼續(xù)發(fā)展并成為在社區(qū)中執(zhí)行和交流ML項目的更有說服力的工具，這在一定程度上歸功于FiftyOne！感謝你的關(guān)注！該FiftyOne項目上可以在GitHub上找到。