Тест коко: Как хорошо ты знаешь мультфильм Тайна Коко? (Тест)

Кокотесты — японские тесты | Журнал Ярмарки Мастеров

Art Milady

Здравствуйте!

Хочу поделится с вами несколькими японскими тестами.

Правила прохождения теста:
1. Говорите первое, что придет вам в голову.

2. В эту игру лучше играть в компании.

3. Не смотрите ответы, прежде чем пройти тест.

4. Будьте предельно честными.

5. Подготовьтесь к игре заранее. К прохождению тестов иногда бывают нужны лист бумаги и ручка/карандаш.

***Почтовая открытка из будущего***
В один прекрасный субботний день, когда вы наконец можете позволить себе расслабиться и побездельничать, беззаботный ход ваших мыслей прерывает звонок в дверь. Открыв ее, вы обнаруживаете у себя на пороге настоящий сюрприз – двух животных-почтальонов, принесших вам известия о вашем будущем! Однако, вскрыв оба конверта, вы обнаруживаете в них совершенно разные предсказания о том, что сулит вам грядущий день. Одно животное вручило вам послание с предсказаниями счастья и довольства. Другое же принесло извещение, предрекающее лишь беды и несчастья.

Какое из нижеперечисленных животных принесло вам Добрые вести, а какое явилось с плохим прогнозом? (Вы-берите двух разных животных.)
1. Тигр.
2. Собака.
3. Овца.
4. Попугай.
5. Черепаха.

КОММЕНТАРИЙ К ТЕСТУ «ПОЧТОВАЯ ОТКРЫТКА ИЗ БУДУЩЕГО»
Будущее большинства людей сильно зависит от правильного выбора спутника жизни или партнера. Животные-почтальоны из этого сюжета отвечают вашим представлениям о характере людей, которые могут принести вам в жизни радость или горе. Психологическая символика различных животных сложна и многогранна. Каждое из них сочетает в себе целый ряд положительных и отрицательных признаков и ассоциаций. В данном случае животное, которое воспринимается вами как добрый гонец, символизирует тип человека, который будет для вас идеальным супругом или супругой, тогда как недобрый вещун – это тот человек, который, как вы опасаетесь, будет тянуть вас вниз.

1. Тигр.
Добрые вести: Вы надеетесь найти счастье в союзе с властным и честолюбивым партнером, наделенным неукротимой жаждой власти.
Горе и беда: Мысль о тщеславном, деспотичном партнере, который будет изображать из себя хозяина джунглей и глухо огрызаться всякий раз, когда нужно вынести мусор, приводит вас в ужас.
2. Собака.
Добрые вести: Больше всего вас привлекает в партнере слепая верность и безграничная преданность.
Горе и беда: Вы абсолютно несовместимы с теми, кто пытается угодить каждому встречному и поперечному и постоянно беспокоится о том, что о них подумают.
3. Овца.
Добрые вести: Только союз с душевным и заботливым партнером принесет вам удовлетворение.
Горе и беда: Вы опасаетесь, что судьба сведет вас со скучным домоседом, готовым пастись изо дня в день на одной и той же лужайке.
4. Попугай.
Добрые вести: Вашей идеальной парой будет словоохотливый партнер, который любит повеселиться и знает, как вас рассмешить.
Горе и беда: Трудно представить себе худший мезальянс, чем ваш союз с болтливым бездельником или ленивой трещоткой с ярко выраженной аллергией на работу.
5. Черепаха.
Добрые вести: Ваш идеальный спутник – серьезный человек, на которого можно положиться и который не бросит вас в трудную минуту.
Горе и беда: Мысль о том, что вам может попасться медлительный тугодум или неповоротливая тугодумка, повергает вас в ужас.

***Где пьют, там и льют***
Вы сидите в изысканном французском ресторане и настроение у вас соответствующее. Метрдотель уже поставил перед вами бутылку отличного красного вина, которое вы продегустировали и одобрили, и вы готовы поднять бокал и произнести тост в честь сидящего напротив вас любимого человека.

Однако, поднимая бокал, вы делаете одно неловкое движение и белая скатерть оказывается залитой вином. Как сильно вы испачкали скатерть? Выберите подходящее описание из нижеприведенного списка.
1. Вся скатерть залита вином.
2. На скатерти образовалось несколько больших красных пятен.
3. На скатерть упало всего несколько капель вина.
4. К счастью, на скатерти осталось лишь одно крошечное пятнышко.

КОММЕНТАРИЙ К ТЕСТУ «ГДЕ ПЬЮТ, ТАМ И ЛЬЮТ»

Вино и другие алкогольные напитки ассоциируются с силой сексуального желания (но не всегда с мастерской реализацией того же желания). Количество разлитого вина говорит о том, как вы оцениваете свой сексуальный пыл и свою способность контролировать собственные порывы.
1. Вся скатерть залита вином.
Сила вашего либидо превышает стопроцентную отметку в два и более раза. О том, хорошо это или плохо, лучше спросить тех, кто досконально изучил вас с этой стороны. Вам же можно посоветовать прикладывать побольше стараний к тому, чтобы максимальное количество вина из ваших личных запасов попадало по назначению.
2. На скатерти образовалось несколько больших красных пятен.
Из вашего ответа явствует, что вы испытываете сильное сексуальное влечение к разным людям. Влечение – это одно, а вот практика – нечто совсем иное. Не позволяйте своему желанию припасть к каждой бутылке, что хранится в винном погребе, мутить ваш ум нетрезвым угаром.

Истинные знатоки умеют наслаждаться качеством вина, не делая ни одного глотка.
3. На скатерть упало всего несколько капель вина.
Вы проявляете вполне естественное любопытство к этому вопросу, но знаете, как обуздать свою сексуальную энергию. Это помогает вам избегать неприятностей и возможных конфузов. Если вы проворно воспользуетесь салфеткой, никто и не узнает, что на скатерти образовалось несколько небольших пятен.
4. К счастью, на скатерти осталось лишь одно крошечное пятнышко.
Либо вы непревзойденный мастер по части устранения оплошностей чуть ли не на лету, либо вина в вашем бокале было на самом донышке. В любом случае ваш сексуальный пыл не может сравниться с вашим умением вести себя за столом.

***С возрастом вкусы меняются***
Пожалуй, именно кофе являет собой образец истинно-го напитка для взрослых. Его густой аромат, горьковатый привкус, ощущение тепла и блаженного предвкушения в момент, когда вы дуете на него перед тем, как сделать первый глоток, – этот приятный ритуал входит в вашу жизнь, когда вы покидаете страну детства, и символизирует вступление во взрослую жизнь.

Странно, что, несмотря на весь имеющийся в нем кофеин, чашка кофе, выпитая в располагающей обстановке, расслабляет и успокаивает нервы. Столик в дальнем углу кофейни, где можно полистать хорошую книжку и послушать льющийся из колонок джаз, служит для многих идеальным прибежищем, где можно передохнуть от стресса и напряжения, которыми обычно сопровождаются работа, учеба и сама жизнь. Здесь можно вдосталь насладиться ничегонеделанием, даже если длится оно ровно столько, сколько глотков кофе вмещает ваша чашка.
Вы работаете не покладая рук и заслужили небольшую паузу. Отключитесь от дел и забот и насладитесь одной из привилегий взрослой жизни. Чем вы себя побалуете? Теплым круассаном? Чашечкой крепкого колумбийского кофе? Роскошной смесью кофе, сливок и горячего шоколада? Ну же, не ограничивайте себя. Вы, как учит нас реклама, этого достойны.
1. Сегодня один из тех редких дней, когда вам никуда не надо бежать, поэтому вы решаете посвятить немного времени себе и отправляетесь в свою любимую кофейню. Опишите атмосферу и обстановку выбранного вами заведения.
2. Вы заказываете кофе. Что вы делаете, ожидая, пока вам принесут ваш заказ?
3. Официант ставит перед вами чашку кофе, и вы делаете первый глоток. Каков он на вкус? Горячий он или нет.

КОММЕНТАРИЙ К ТЕСТУ «С ВОЗРАСТОМ ВКУСЫ МЕНЯЮТСЯ»
Кофейни, так же как и сам кофе, тесно связаны с быту-эщими в мире взрослых представлениями и с их взаимоотношениями в рамках человеческого социума. По вашим ответам на вопросы этого теста можно судить о том, как на вас действует стресс и как вы справляетесь с ним там, где это касается ваших отношений с людьми.
1. Описанная вами атмосфера – это на самом деле ваша идеальная рабочая обстановка. Кто-то чувствует себя комфортно в оживленной атмосфере, в окружении плотной толпы единомышленников. Другие ценят одиночество и тишину. Впрочем, есть и такие, кому атмосфера как таковая совершенно безразлична. Лишь бы кружка, в которой подают кофе, была безразмерной.

2. То, как вы коротали время в ожидании заказа, указывает на главный источник стресса или беспокойства в вашей жизни.
Вы просто сидели и наблюдали за посетителями кофейни? Это говорит о том, что вас слишком волнует, что делают, говорят или думают другие. Расслабьтесь и просто будьте самим собой. Все остальные ведут себя именно так.
Вы вытащили припасенный журнал и углубились в чтение или же принялись изучать меню? Вам следует хотя бы иногда отрываться от книг и бумаг. Уделяйте чуть больше времени физической активности.
Вы просто сидели и ждали сложа руки? Это знак того, что ваша жизнь недостаточно насыщенна и вы ищете, чем занять свое время.
3. Как вам понравился ваш кофе? Вкус и температура вашего воображаемого напитка соотносимы с уровнем стресса, который вы сами себе создаете. Чем больше вам понравился ваш кофе, тем меньше стресса вы привносите в свою жизнь. Если вы решили, что ваш кофе был слабым, чуть теплым, слишком горьким или, наоборот, обжигающе горячим, значит, вы создаете проблемы на пустом месте. В мечтах можно позволить себе все что угодно – уж по крайней мере чашечкой вкусного кофе вы вполне могли себя побаловать.

Кокология — японские тесты. Авторы Тадахико Нагао и Исаму Сайто

Рейтинг

★

★

★

★

★

5.0 (1 голос)

Art Milady

Россия, Казань

Магазин

Блог (2)

Следите за творчеством мастера

Блоги по теме

Ключевые слова

• Ключевые слова
• кокотест
• японский тест
• психологический тест
• психология
• сознание
• подсознание
• кокология

Рубрики блогов

Новости магазинов
Акции и распродажи
Персональные записи

Кто вы из персонажей Pixar?

Тест: Кто вы из персонажей Pixar?

✖

• Статьи
• Тесты
• Мультфильмы
• Смотреть онлайн
• Город цифр
• Кружки
• Мультик

org/BreadcrumbList»>

В кинотеатрах вышел новый мультфильм студии Pixar «Тайна Коко», который мы, кстати, очень советуем посмотреть. И перед этим мы предлагаем вспомнить другие работы этой замечательной студии и узнать, на кого из героев этих мультфильмов вы похожи? Ведь характеры в мультиках Pixar так разнообразны и интересны, что там точно найдется герой, близкий вам по духу.

Так давайте узнаем, кто именно!

 

Интересное по теме:
Первый трейлер «Суперсемейки 2»
60 сцен из мультиков Pixar, в которых пародируются известные фильмы

Дата публикации:

Источник: Tlum.Ru

Рубрика:

Тесты Кино и мультфильмы

Теги:

Тачки Корпорация монстров История игрушек Приключения Флика Суперсемейка В поисках Дори Храбрая сердцем Вверх

Читайте также

Новости партнеров

Загрузка. ..

Группа DETR v2: Детектор сильных объектов с предварительной подготовкой кодировщика-декодера

Описание

По умолчанию

Пользовательский

#5 лучшая модель для обнаружения объектов в COCO test-dev (метрика box mAP)

Изображение 900 03

По умолчанию

Пользовательский

Нет

Загрузите изображение, чтобы настроить предварительный просмотр вашего репозитория в социальных сетях.
Изображения должны быть размером не менее 640×320 пикселей (1280×640 пикселей для лучшего отображения).

Задача:*

———object-detectionОбнаружение объекта

Нет в списке? Добавить задача.

Набор данных:*

———

Название модели:*

Название показателя:*

———

Чем выше, тем лучше (для метрики)

Значение показателя:*

Использует дополнительные обучающие данные

Данные, оцененные на

ЗАДАНИЕ	НАБОР ДАННЫХ	МОДЕЛЬ	НАИМЕНОВАНИЕ ПОКАЗАТЕЛЯ	МЕТРИЧЕСКОЕ ЗНАЧЕНИЕ	ГЛОБАЛЬНЫЙ РЕЙТИНГ	УДАЛИТЬ
Обнаружение объекта	COCO тест-разработчик	Группа DETR v2	коробка карта	64,5	№ 5
Обнаружение объекта	COCO тест-разработчик	Группа DETR v2	АП50	81,8	№ 3
Обнаружение объекта	COCO тест-разработчик	Группа DETR v2	АП75	71,1	№ 3
Обнаружение объекта	COCO тест-разработчик	Группа DETR v2	АПС	48,4	№ 2
Обнаружение объекта	COCO тест-разработчик	Группа DETR v2	АРМ	67,2	№ 2
Обнаружение объекта	COCO тест-разработчик	Группа DETR v2	АПЛ	77,1	№ 3

Как работать с наборами данных обнаружения объектов в формате COCO | Эрик Хофесманн

Подробное руководство по определению, загрузке, исследованию и оценке наборов данных обнаружения объектов в формате COCO с использованием FiftyOne

Опубликовано в

·

10 мин чтения

·

1 февраля 9, 2021

Изображение 001298. jpg из набора данных COCO, визуализированного в FiftyOne (Изображение автора)

Набор данных Microsoft Common Objects in Context (COCO) — самый популярный набор данных для обнаружения объектов на данный момент. Он широко используется для оценки производительности методов компьютерного зрения.

Из-за популярности набора данных формат, который COCO использует для хранения аннотаций, часто используется при создании нового пользовательского набора данных для обнаружения объектов. Хотя набор данных COCO также поддерживает аннотации для других задач, таких как сегментация, я оставлю это для будущей публикации в блоге. Пока мы сосредоточимся только на данных обнаружения объектов .

«Формат COCO» — это особая структура JSON, определяющая способ сохранения меток и метаданных для набора данных изображения.

Существует множество сообщений в блогах, описывающих базовый формат COCO, но в них часто отсутствуют подробные примеры загрузки данных в формате COCO и работы с ними. Этот пост расскажет вам:

• Формат файла COCO
• Преобразование существующего набора данных в формат COCO
• Загрузка набора данных COCO
• Визуализация и изучение набора данных
• Генерация прогнозов на основе модели обнаружения объектов
• Оценка mAP модели в наборе данных COCO

Чтобы сделать все это, я буду использовать инструмент разработчика машинного обучения с открытым исходным кодом, FiftyOne, над которым я работал. Он разработан, чтобы позволить исследователям и инженерам легко работать и визуализировать наборы данных изображений и видео с аннотациями и прогнозами моделей, хранящимися в различных форматах.

Вы можете легко установить FiftyOne через pip:

 pip install FiftyOne 

Разделение проверки COCO 2017, визуализированное в FiftyOne (Изображение автора) чтобы упростить загрузку и оценку набора данных. Теперь вы можете указать и загрузить точное подмножество набора данных, которое вы хотите, загрузить свои собственные данные в формате COCO в FiftyOne и оценить свои модели с помощью оценки в стиле COCO, улучшенной возможностями визуализации FiftyOne.

См. этот пост или эту документацию для более подробной информации!

Если вы новичок в области обнаружения объектов и вам нужно создать новый набор данных для обнаружения объектов, то использование формата COCO является хорошим выбором из-за его относительной простоты и широкого распространения. В этом разделе объясняется, как на самом деле выглядит структура файлов и папок набора данных обнаружения объектов в формате COCO.

На высоком уровне формат COCO точно определяет, как ваши аннотации (ограничивающие рамки, классы объектов и т. д.) и метаданные изображения (например, высота, ширина, источники изображения и т. д.) хранятся на диске.

Файлы на диске

Структура папок набора данных COCO выглядит следующим образом:

 / 
 data/ 
 . 
 . 
 ... 
 labels. json 

Набор данных хранится в каталоге, содержащем необработанные данные изображения и один файл json , который содержит все аннотации, метаданные, категории и другую информацию, которую вы, возможно, захотите сохранить о своем наборе данных. Если у вас есть несколько разделов данных, они будут храниться в разных каталогах с разными json файлов.

Формат JSON

Если бы вы загружали набор данных COCO с их веб-сайта, это были бы файлы instances_train2017.json и instances_val2017.json . (Примечание: официальные аннотации тестового набора недоступны для общественности)

 { 
 "информация": { 
 "год": "2021", 
 "версия": "1.0", 
 "описание": "Экспортировано из FiftyOne ", 
 "участник": "Voxel51", 
 "url": "https://fiftyone.ai", 
 "date_created": "2021-01-19T09:48:27" 
 }, 
 "лицензии": [ 
 { 
 "url": "http://creativecommons.org/licenses/by-nc-sa/2.0/", 
 "id": 1, 
 «имя»: «Attribution-NonCommercial-ShareAlike License» 
 }, 
 ... 
 ], 
 «категории»: [ 
 ... 
 { 
 «id»: 2, 
 «name»: «cat» , 
 "суперкатегория": "животное" 
 }, 
 ... 
 ], 
 "изображения": [ 
 { 
 "id": 0, 
 "лицензия": 1, 
 "file_name": " . ", 
 "высота": 480, 
 "ширина": 640, 
 "date_captured": null 
 }, 
 ... 
], 
 "аннотации": [ 
 { 
 "id": 0, 
 "image_id": 0, 
 "category_id": 2, 
 "bbox": [260, 177, 231, 199], 
 "сегментация": [...], 
 "область": 45969, 
 "масса": 0 
 }, 
 ... 
 ] 
 } 

• В для — Описание и информация о версии вашего набора данных.
• Лицензии — Список лицензий с уникальными идентификаторами, которые будут указываться вашими изображениями.
• Категории — Категории классификации, каждая из которых имеет уникальный идентификатор. Необязательно связано с суперкатегорией, которая может охватывать несколько классов. Эти категории могут быть любыми, которые вы хотите, но обратите внимание, что если вам нужно следовать классам COCO, если вы хотите использовать модель, предварительно обученную на COCO, из коробки (или следовать другим категориям набора данных, чтобы использовать другие модели).
• Изображения — список изображений в вашем наборе данных и соответствующие метаданные, включая уникальный идентификатор изображения, путь к файлу, высоту, ширину и дополнительные атрибуты, такие как лицензия, URL-адрес, дата захвата и т. д.
• Аннотации — Список аннотаций, каждая из которых имеет уникальный идентификатор и идентификатор изображения, к которому она относится. Здесь вы будете хранить информацию об ограничительной рамке в нашем случае или информацию о сегментации/ключевой точке/другой метке для других задач. Здесь также хранится область ограничительной рамки и iscrowd , указывающая большую ограничительную рамку, окружающую несколько объектов одной и той же категории, которая используется для оценки.

В этом разделе описывается, как взять необработанный или аннотированный набор данных и преобразовать его в формат COCO в зависимости от того, какие данные у вас есть в настоящее время и в каком формате они находятся.

Случай 1: у меня есть аннотированные данные

В этом случае у вас уже есть набор данных с изображениями и аннотациями, но вы хотите преобразовать его в формат COCO.

Если ваш набор данных соответствует другому общему формату, который поддерживается FiftyOne, например CVAT, YOLO, KITTI, Pascal VOC, обнаружение объектов TF или другим, вы можете загрузить и преобразовать его в формат COCO с помощью одной команды.

  # Преобразование набора данных обнаружения COCO в формат изображения CVAT  
 пятьдесят один конвертировать \ 
 --input-dir /path/to/cvat-image-dataset \ 
 --input-type Fiveone.types.CVATImageDataset \ 
 --output-dir /path/to/coco-detection-dataset \ 
 --output -type FiftyOne.types.COCODetectionDataset 

Если ваши данные не хранятся в поддерживаемом формате, их все равно легко загрузить в FiftyOne с помощью Python и экспортировать в формате COCO. Идея состоит в том, чтобы загрузить каждое изображение и связанные с ним метки как образец FiftyOne и добавить их в набор данных FiftyOne:

Затем вы можете экспортировать этот набор данных в формате COCO с помощью одной строки:

Вот оно! /path/to/coco-detection-dataset теперь содержит ваши изображения и метки в формате COCO. Прочтите следующий раздел, чтобы узнать, как легко загрузить его обратно в Python.

Случай 2: у меня есть только необработанные данные изображения

Если у вас есть только немаркированные изображения, вам сначала нужно создать метки объектов. Вы можете генерировать либо наземные метки с помощью инструмента или поставщика аннотаций (например, CVAT, Labelbox, MTurk или одного из многих других), либо прогнозировать метки с помощью существующей предварительно обученной модели.

Если, например, вы использовали CVAT для аннотирования необработанных данных, то теперь вы можете преобразовать его в формат COCO с помощью команды FiftyOne, как в предыдущем разделе:

  # Преобразование набора данных обнаружения COCO в формат изображения CVAT  
 пятьдесят один конвертировать \ 
 --input-dir /path/to/cvat-image-dataset \ 
 --input-type Fiveone.types.CVATImageDataset \ 
 --output-dir /path/to/coco-detection-dataset \ 
 --output-type FiftyOne. types.COCODetectionDataset 

В качестве альтернативы, если вы хотите использовать модель для создания прогнозов, вы можете загрузить свои немаркированные данные в FiftyOne и сгенерировать прогнозы с помощью FiftyOne Model Zoo, а затем сохранить набор данных в формате COCO. .

В этом разделе предполагается, что вы собрали изображения и аннотировали их, сохранив свой набор данных в формате COCO, либо следуя предыдущему разделу, либо вручную создав метки JSON с помощью пользовательских сценариев.

Чтобы загрузить набор данных в формате COCO, вы можете написать анализатор для файла меток JSON, но на самом деле вам нужно просто использовать один из различных инструментов, которые загрузят его для вас. Двумя лучшими инструментами для этого являются официальные API COCO и 9.0178 Пятьдесят Один .

Существуют официальные API COCO для Python, Lua и Matlab. Эти API-интерфейсы широко используются и предоставляют базовые функции для загрузки и вычисления оценки всего набора данных в вашем наборе данных.

Если вы используете Python, я бы порекомендовал попробовать FiftyOne, так как он предоставляет функции, аналогичные Cocoapi, а также мощный API и графический интерфейс, специально разработанный для того, чтобы вам было как можно проще исследовать, анализировать и работать с ним. ваши данные.

Если ваш набор данных правильно соответствует формату COCO, описанному в предыдущих разделах, вы можете загрузить его в набор данных FiftyOne на Python с помощью одной команды:

Теперь, когда ваш набор данных написан на Python, вы можете использовать API FiftyOne, чтобы легко получить доступ ко всей различной информации и меткам, связанным с вашими данными, и визуализировать их в приложении.

Чтобы визуализировать свой набор данных, запустите приложение FiftyOne:

Разделение проверки COCO 2017, визуализированное в FiftyOne (Изображение автора)

С помощью API вы можете использовать агрегации для получения статистики о вашем наборе данных, например, количество обнаружений для каждой категории:

Основной способ взаимодействия с набором данных — через представления. Каждый сделанный вами запрос будет отображать ваш набор данных по-разному, например, сортируя по образцам с наибольшим количеством объектов:

Образцы с большинством объектов, визуализированных в FiftyOne (Изображение автора)

Вы также можете создать представление, которое фильтрует поле метки на основе более сложного значения, такого как небольшая область ограничительной рамки:

Представление небольшого объекта, визуализированное в FiftyOne (Изображение автора)

FiftyOne Brain содержит различные методы, которые позволяют вам анализировать качество ваших наземных данных. Например, вы можете найти самые уникальные образцы в своем наборе данных, которые помогут вам лучше понять, какие дополнительные данные вам следует добавить:

Другие методы мозга могут помочь вам найти возможные ошибки в аннотациях и определить сложные образцы, на которых вы, возможно, захотите потренироваться. Все это поможет вам в обучении лучших моделей, поскольку лучшие модели обычно получаются из более качественных данных.

Основная причина, по которой вы хотите создать набор данных в формате COCO, — использовать его для обучения и тестирования моделей.

Большинство современных моделей полагаются на то, что ваши данные загружаются в Python. Особенно, если вы используете TensorFlow или PyTorch, поскольку эти библиотеки в основном основаны на Python. Использование COCO API или FiftyOne для переноса набора данных в Python значительно упрощает, например, написание загрузчика данных PyTorch, чем если бы вам приходилось самостоятельно анализировать метки JSON. На самом деле обучение модели на ваших данных выходит за рамки этого поста, но есть множество примеров как для обучения обнаружению объектов PyTorch, так и даже для API обнаружения объектов TensorFlow, которые помогут вам в этом.

Если вы только начинаете и хотите посмотреть, как некоторые предварительно обученные модели будут вести себя в вашем наборе данных, самый простой способ создать некоторые прогнозы — с помощью FiftyOne Model Zoo. Он содержит более 70 моделей, многие из которых являются моделями обнаружения объектов.

 пятьдесят один список моделей зоопарка 

Примечание : Если вы устали настраивать модели TensorFlow/PyTorch для использования вашего графического процессора, ознакомьтесь с моей записью в блоге Conda .

Поскольку ваши данные хранятся в формате COCO, их можно загрузить в FiftyOne, на их основе можно сгенерировать прогнозы моделей, а затем визуализировать их в приложении:

Просмотр реальных данных и прогнозов моделей в приложении FiftyOne (изображение автора)

Основным показателем оценки моделей обнаружения объектов является средняя точность (mAP). Это довольно сложная метрика, которая более подробно объясняется в других постах. Таким образом, он вычисляется следующим образом:

1. Сопоставление предсказанных обнаружений с наземными истинными объектами, если они перекрываются выше некоторого значения пересечения над объединением (IoU)
2. Вычисление количества истинных срабатываний, ложных срабатываний и ложноотрицательных результатов для всех обнаружений каждого класса
3. Использование этих TP/FP/FN для построения кривой полноты точности
4. Вычисление средней точности для каждого класса
5. Получение среднего значения всех средних значений точности по классам

Протокол оценки COCO вводит один дополнительный шаг: MAP усредняются в диапазоне 10 пороговых значений IoU. Кроме того, оценка обнаружения объектов COCO также включает в себя расчет mAP для таких вещей, как маленькие, средние и большие ограничивающие рамки, а также различные пороги обнаружения для каждого изображения.

Примечание: При оценке модели обнаружения объектов категории прогнозов должны соответствовать категориям набора данных. Это означает, что вы должны либо следовать меткам набора данных COCO, чтобы использовать готовую модель, обученную на COCO, либо вы должны точно настроить модель в своем наборе данных, чтобы она предсказывала ваши пользовательские категории.

Это значение COCO mAP можно рассчитать либо с помощью COCO API, либо с помощью FiftyOne. Предполагая, что у вас есть набор данных в формате COCO с предсказаниями модели, хранящимися в прогнозы набора данных, следующее вычислит COCO mAP в FiftyOne:

Несмотря на то, что mAP является наиболее популярным отдельным значением для сравнения производительности моделей, у этой метрики есть недостатки. Если вы действительно хотите знать, насколько хорошо работает ваша модель, вам нужно изучить свои данные и посмотреть прогнозы модели на отдельных выборках.

Лучший способ интуитивно понять, как работает ваша модель, — это посмотреть на прогнозы, в которых она была уверена, но ошиблась. С FiftyOne это легко. Например, давайте создадим представление в нашем наборе данных, просматривая образцы с наибольшим количеством ложных срабатываний:

Отсутствующие аннотации (Изображение автора)

Пример выше в этом представлении и показывает множество объектов с ложными срабатываниями, не аннотированными в основной правде! В формате COCO наземные объекты могут иметь атрибут iscrowd , указывающий, что ограничивающая рамка рисуется вокруг множества объектов. Это один из многих примеров, когда этот ящик iscrowd либо отсутствует, либо имеет неправильную маркировку, что приводит к ложным срабатываниям.

Это то, что было бы невозможно найти, просто взглянув на mAP модели, и это показывает важность анализа на уровне выборки для понимания качества набора данных.