-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathtesting.py
165 lines (125 loc) · 5.31 KB
/
testing.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
import pandas as pd , argparse
import os
from shapely.geometry import Polygon
import math
def cal_score(ground_truth,predict,thd):
###############################################################################
def calculate_iou(xmin,ymin,xmax,ymax,xmin_p,ymin_p,xmax_p,ymax_p):
poly_1 = Polygon([(xmin, ymin), (xmax, ymin), (xmax, ymax), (xmin, ymax)])
poly_2 = Polygon([(xmin_p, ymin_p), (xmax_p, ymin_p), (xmax_p, ymax_p), (xmin_p, ymax_p)])
iou = poly_1.intersection(poly_2).area / poly_1.union(poly_2).area
return iou
###############################################################################
# Tester
df_gt=pd.read_csv(ground_truth)
df_pred=pd.read_csv(predict)
df_gt=df_gt.rename(columns = {'bounding_box_no':'b_no'})
#df_test=pd.merge(args['root_test'][0],df_pred,on='name',how='right')
df_test=pd.merge(df_gt,df_pred,on='name',how='right')
list=df_pred.columns
n=int(len(list)/4)
###############################################################################
# For True Neg and False Positive addition (Fp) is perfect here
true_pred_box = []
dk = df_test.fillna(20000000)
tp = 0
tn = 0
fp = 0
fn = 0
emp_frame = 0
for i, row in dk.iterrows():
if (row['b_no'] == 20000000 and row['xmin1'] == 20000000):
emp_frame = emp_frame + 1
elif (row['b_no'] == 20000000 and row['xmin1'] != 20000000):
fp = fp + 1
elif (row['b_no'] != 20000000 and row['xmin1'] == 20000000):
fn += 1
###############################################################################
df_test = df_test.dropna(axis=0, subset=['b_no'])
###############################################################################
###############################################################################
front_face = 0
side_face = 0
head_face = 0
down_face=0
all_gt_boxes = []
all_pred_boxes = []
true_gt = []
for index, row in df_test.iterrows():
#############################
xmin = row['xmin']
ymin = row['ymin']
xmax = row['xmax']
ymax = row['ymax']
gt_box = [xmin, ymin, xmax, ymax]
all_gt_boxes.append(gt_box)
#############################
x_centroid = (row['xmin'] + row['xmax']) / 2
y_centroid = (row['ymin'] + row['ymax']) / 2
############################################################
###########################################
for j in range(1, n + 1):
########################
xmin_p = 'xmin' + str(j)
ymin_p = 'ymin' + str(j)
xmax_p = 'xmax' + str(j)
ymax_p = 'ymax' + str(j)
########################
x_pred_min = row[xmin_p]
y_pred_min = row[ymin_p]
x_pred_max = row[xmax_p]
y_pred_max = row[ymax_p]
############################################
x_centroid_p = (x_pred_min + x_pred_max) / 2
y_centroid_p = (y_pred_min + y_pred_max) / 2
############################################
if not pd.isna(x_pred_min):
pred_box = [x_pred_min, y_pred_min, x_pred_max, y_pred_max]
all_pred_boxes.append(pred_box)
###########################################################################################
iou = calculate_iou(xmin, ymin, xmax, ymax, x_pred_min, y_pred_min, x_pred_max, y_pred_max)
###########################################################################################
if (iou > thd):
tp += 1
true_gt.append(gt_box)
true_pred_box.append(pred_box)
#################################################
unique_all_pred_boxes = []
for item in all_pred_boxes:
if item not in unique_all_pred_boxes:
unique_all_pred_boxes.append(item)
unique_true_pred_box=[]
for item in true_pred_box:
if item not in unique_true_pred_box:
unique_true_pred_box.append(item)
#################################################
fn = len(all_gt_boxes) - len(true_gt)
fp = len(unique_all_pred_boxes) - len(unique_true_pred_box)
total_faces = front_face + side_face + head_face +down_face
###############################################################################
#print('confusion_metrics=')
#print(tp,fn)
#print(fp,tn)
acc=((tp+tn)/(tp+tn+fp+fn))*100
# print('accuracy=',acc)
if(tp==0):
recall=0
else:
recall=tp/(tp+fn)
# print('recall=',recall)
if(tp==0):
precision=0
else:
precision=tp/(tp+fp)
# print('precision=',precision)
if(precision==0 and recall==0):
f_measure=0
else:
f_measure=(2*recall*precision)/(recall+precision)
# print('f_measure=',f_measure)
true_p=tp
false_p=fp
false_n=fn
###############################################################################
# print("returning in this order --- accuracy,recall,precision,f_measure")
return (acc,recall,precision,f_measure,tp,fn,fp,tn)