Évaluer les inférences du réseau ré-entrainé

Acquis d'apprentissage visés :
- Savoir exploiter un réseau TOD ré-entraîné.

Type d'activité     : ⚙️ [tâche]
Durée approximative : 30 minutes (dépend des ressources CPU & RAM de ton ordinateur).

Évaluer les inférences du réseau ré-entrainé

Vérifie que le réseau entraîné est bien capable de détecter les faces des cubes en discriminant correctement les numéros écrits sur les faces.

Le script Python plot_object_detection_saved_model.py permet d’exploiter le réseau entraîné sur des images, les arguments sont :

• -p : le nom du projet
• -s : le chemin du dossier .../saved_model/ contenant les fichiers des poids du réseau entraîné
• -i : le chemin du dossier des images ou le chemin du fichier image à analyser
• -n : le nombre max d’objets à détecter
• -t : le seuil (threshold) de détection exprimé en % (optionnel, valeur par défaut : 50 %).

Par exemple pour faire la détection des cubes des images de test avec le réseau que tu viens d’entraîner :

# From within tod_tf2
(tf2) user@host: $ python plot_object_detection_saved_model.py -p faces_cubes -s $PTN_DIR/saved_model1/saved_model -i faces_cubes/images/test/ -n 4
Loading model...Done! Took 13.23 seconds
Running inference for faces_cubes/images/test/image016.png... [2 2 1 1]
[0.9998258  0.99902177 0.99812204 0.9964721 ]
[[0.40203822 0.12419666 0.64018315 0.30807328]
 [0.4043577  0.76715255 0.6404976  0.9653229 ]
 [0.40296176 0.5467712  0.63852876 0.7309122 ]
 [0.3932786  0.32322642 0.64034694 0.5083482 ]]
Running inference for faces_cubes/images/test/image018.png... [2 2 1 1]
[0.99967873 0.9996051  0.9983627  0.99751186]
[[0.40055594 0.6233792  0.63929296 0.80680573]
 [0.40259457 0.4026048  0.63897103 0.58319676]
 [0.4041245  0.19101582 0.6288158  0.3679664 ]
 [0.40252358 0.         0.64536196 0.16534011]]
Running inference for faces_cubes/images/test/image019.png... [2 2 1 1]
[0.99970055 0.9993857  0.99750453 0.9968694 ]
[[0.40160167 0.42744026 0.6401532  0.6097636 ]
 [0.40586317 0.64189494 0.6397717  0.82715124]
 [0.40226468 0.         0.6392519  0.18196338]
 [0.39843452 0.20977092 0.6328793  0.3960455 ]]
Running inference for faces_cubes/images/test/image017.png... [2 2 1 1]
[0.9997949 0.9994717 0.9933088 0.9883559]
[[0.40147427 0.6982088  0.63554984 0.87740797]
 [0.39989385 0.04223634 0.6387966  0.24200168]
 [0.40242052 0.4871788  0.6324738  0.66032267]
 [0.39879817 0.2852207  0.6340168  0.4698804 ]]

Exemples d’images produites par le script Python :

image016.png	image018.png	image019.png	image017.png

Pour chaque image traitée on a :

• la liste des 4 labels des objets trouvé (1 ou 2)
• la liste des 4 probabilités de détection des objets
• la liste des 4 jeux de coordonnées normalisées des boîtes englobantes [ y, x coin haut gauche puis y, x coin bas droit].

⚠️ Note que les objets sont dans l’ordre des probabilités de détection décroissantes :

• si tu veux trier les objets dans l’image de gauche à droite, tu peux exploiter les abcisses x des boites englobantes,
• si tu veux trier les objets dans l’image de haut en bas, tu peux exploiter l’ordonnée y des boites englobantes,
  dans tous les cas, la fonction numpy argsort est ton amie… (tu peux voir un exemple d’implémentation dans le fichier plot_object_detection_sorted_saved_model.py.)