如何解决用于多类物体检测的分层K形折叠?
已更新
我已经上传了一个虚拟数据集,链接here。 df.head()
:
它总共有 4个班级和df.object.value_counts()
:
human 23
car 13
cat 5
dog 3
我想正确地进行K-Fold
验证,以对多类对象检测数据集进行分割。
初始方法
为了实现适当的k倍验证拆分,我考虑了object counts
和bounding box
的数量。据我了解,K-fold
拆分策略主要取决于数据集(元信息)。但是目前,对于这些数据集,我尝试了如下操作:
skf = StratifiedKFold(n_splits=3,shuffle=True,random_state=101)
df_folds = main_df[['image_id']].copy()
df_folds.loc[:,'bbox_count'] = 1
df_folds = df_folds.groupby('image_id').count()
df_folds.loc[:,'object_count'] = main_df.groupby('image_id')['object'].nunique()
df_folds.loc[:,'stratify_group'] = np.char.add(
df_folds['object_count'].values.astype(str),df_folds['bbox_count'].apply(lambda x: f'_{x // 15}').values.astype(str)
)
df_folds.loc[:,'fold'] = 0
for fold_number,(train_index,val_index) in enumerate(skf.split(X=df_folds.index,y=df_folds['stratify_group'])):
df_folds.loc[df_folds.iloc[val_index].index,'fold'] = fold_number
拆分后,我检查了一下是否可以正常使用。到目前为止看来还可以。
所有折痕均包含分层的k-fold
个样本len(df_folds[df_folds['fold'] == fold_number].index)
,并且彼此没有交集,set(A).intersection(B)
,其中A
和B
是索引值({ {1}})的两倍。但问题似乎是:
image_id
关注
但是,我无法确定这通常是否适合此类任务。我想要一些建议。上面的方法可以吗?或任何问题?还是有更好的方法!任何形式的建议将不胜感激。谢谢。
解决方法
在创建交叉验证拆分时,我们关心的是创建折叠,这些折叠具有良好分布的数据中遇到的各种“案例”。
在您的情况下,您决定根据汽车的数量和边界框的数量来确定折页数,这是一个不错的选择,但选择有限。因此,如果您可以使用数据/元数据识别特定情况,则可以尝试使用它创建更智能的折叠。
最明显的选择是在折叠中平衡对象类型(类),但是您可以走得更远。
这里是主要思想,假设您有一些图像,其中大多数在法国遇到汽车,而其他一些在美国遇到汽车,则可以用来制作折页,每张折折的法国和美国汽车数量均折。在天气等情况下也可以这样做。因此,每个折叠都将包含有代表性的数据以供学习,这样您的网络就不会因您的任务而有偏差。这样一来,您的模型将对数据中的此类潜在现实生活变化更加健壮。
那么,您可以在交叉验证策略中添加一些元数据以创建更好的简历吗?如果不是这种情况,是否可以使用数据集的x,y,w,h列获取有关潜在极端情况的信息?
然后,您应尝试使样本的折痕平衡,以便在相同的样本量下评估分数,这将减少差异并最终提供更好的评估。
,您可以直接使用StratifiedKFold()或StratifiedShuffleSplit()来基于某些分类列使用分层抽样来拆分数据集。
虚拟数据:
import pandas as pd
import numpy as np
np.random.seed(43)
df = pd.DataFrame({'ID': (1,1,2,3,3),'Object': ('bus','car','bus','car'),'X' : np.random.randint(0,10,6),'Y' : np.random.randn(6)
})
df
使用StratifiedKFold()
from sklearn.model_selection import StratifiedKFold
skf = StratifiedKFold(n_splits=2)
for train_index,test_index in skf.split(df,df["Object"]):
strat_train_set_1 = df.loc[test_index]
strat_test_set_1 = df.loc[test_index]
print('train_set :',strat_train_set_1,'\n','test_set :',strat_test_set_1)
类似地,如果您选择使用StratifiedShuffleSplit(),则可以拥有
from sklearn.model_selection import StratifiedShuffleSplit
sss = StratifiedShuffleSplit(n_splits=1,test_size=0.2,random_state=42)
# n_splits = Number of re-shuffling & splitting iterations.
for train_index,test_index in sss.split(df,df["Object"]):
# split(X,y[,groups]) Generates indices to split data into training and test set.
strat_train_set = df.loc[train_index]
strat_test_set = df.loc[test_index]
print('train_set :',strat_train_set,strat_test_set)
,
我只需使用scikit learning的KFold
方法即可做到这一点
from numpy import array
from sklearn.model_selection import KFold
data = array([0.1,0.2,0.3,0.4,0.5,0.6])
kfold = KFold(3,True,1)
for train,test in kfold.split(data):
print('train: %s,test: %s' % (data[train],data[test]))
,请查看Jimp是否有帮助
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。