自定义Metrics

Sextant支持用户自定义Metrics计算方式，并输出计算结果。您只需要将自定义Metrics算法上传至Github Repo并把Url填入Sextant即可。

需要将您的Metrics算法使用python进行编写，并放到Github中

支持类型

Sextant支持自定义Float和Curve两种类型的指标，并指定他们的生效范围

Float

输出结果为一个浮点值，在前端显示为“名称=数值“的样式，如mAP=0.75

Curve

输出结果为两个一维数组，分别命名为x和y，在前端渲染为曲线样式，x数组和y数组中的值会对应的渲染为曲线上点的横纵坐标

生效范围

可以定义指标的生效范围为Data级别或者Dataset级别

Data级别：针对参与评估的每个数据会返回一个对应值，例如单张数据的标注IoU均值

Dataset级别：每一次评估只会返回一个对应值，例如本次评估的mAP

定义规则

您的Metrics算法需要满足以下规则：

1. ‌如果您的代码中需要额外的依赖包，则需要在根目录下创建requirements.txt，并在其中写入依赖（不支持torch、tensorflow等深度学习框架的GPU运算）。

2. 您需要在github根路径下创建一个__init__.py，以确保repo被clone到本地后，其路径能够作为python package导出一个名为 Evaluator 的 class。

3. python库中有且只有一个名为 Evaluator 的 class

4. Evaluator 中需要有获取单个图片标注的评分方法 evaluate_one_data(input_source: dict， input_target: dict) -> dict 方法，input_source 和 input_target 值请参考graviti标准化文档
5. Evaluator 中需要有获取整体标注评分的方法 get_result() -> dict

6. 以上两个方法的返回值需满足以下结构:（当前仅支持float和curve两种类型的数据）

代码示例

目录结构示例

(yourgithubrepo_root) 
    -- __init.py 
    -- Evaluator.py 
    -- requirements.txt

init.py示例

from .Evaluator import Evaluator
all = ["Evaluator"]

requirements.txt示例：

numpy=1.21.0

Evaluator.py示例

import numpy as np

class Evaluator:
   def __init__(self):
       """
       You can initialize your model here
       """
       ...


   evaluate_one_data(self, input_source: dict， input_target: dict) -> dict:
       """
       Do the evaluation job
       :param input_source: Ground truth boxes in one image
       :param input_target：Target boxes in the same image
       :return: A dict containing evaluation on one image and each category within it.
       """
       ...
   def get_result(self) -> dict:
       """Overall evaluation.


       Returns:
           A dict containing overall evaluation on all images and all categories.
       """
```
{
   'scope':1,//1-data级别；2-dataset级别
   'overall': {
       'mAP':0.123, // Float类型返回
       'pr':{  // Curve类型返回
             'x':[1,0.5],
             'y':[1,0.5]//x数据将在前端渲染为横轴数据，y数据将在前端渲染为纵轴数据，x和y均为list，且长度一致。
            }
   },
   'categories': {
       '{your_category}': {
            'mAP': np.mean([1, 2, 3]).tolist(),
       }
   }
}