如何计算由 predict_generator 正确分类的图像数量

Question

我如何计算由Classifier.predict_generator 分类的正确/错误图像的数量？我总共有 6000 个测试图像，每个类 1000 个图像（我的文件夹 test 有 6 个子文件夹代表这 6 个类）。

model_path = "Model.hdf5"
Classifier: Model = load_model(model_path)

mainDataPath = "donnees/"
testPath = mainDataPath + "test"

number_images = 6000
number_images_class_0 = 1000
number_images_class_1 = 1000
number_images_class_2 = 1000
number_images_class_3 = 1000
number_images_class_4 = 1000
number_images_class_5 = 1000

image_scale = 200

images_color_mode = "rgb"  # grayscale or rgb


test_data_generator = ImageDataGenerator(rescale=1. / 255)

test_itr = test_data_generator.flow_from_directory(
    testPath,# place des images
    target_size=(image_scale, image_scale), # taille des images
    class_mode="categorical",# Type de classification
    shuffle=False,# pas besoin de les boulverser
    batch_size=1,# on classe les images une e la fois
    color_mode=images_color_mode)# couleur des images

(x, y_true) = test_itr.next()

# Normalize Data
max_value = float(x.max())
x = x.astype('float32') / max_value


# Les classes correctes des images (1000 pour chaque classe) -- the ground truth
y_true = np.array([0] * number_images_class_0+ 
                  [1] * number_images_class_1+ 
                  [2] * number_images_class_2+ 
                  [3] * number_images_class_3+ 
                  [4] * number_images_class_4+ 
                  [5] * number_images_class_5)

test_eval = Classifier.evaluate_generator(test_itr, verbose=1)

print('>Test loss (Erreur):', test_eval[0])
print('>Test precision:', test_eval[1])

predicted_classes = Classifier.predict_generator(test_itr, verbose=1)
predicted_classes_perc = np.round(predicted_classes.copy(), 4)
predicted_classes = np.round(predicted_classes) # on arrondie le output

Answer 1

由于您在test_itr 中设置了shuffle=False，因此数据生成器不会更改样本的顺序；所以基本事实将在您创建的y_true 中。

从预测概率中获取预测类别，并使用 sklearn（或其他类似方法）查找准确度分数。

from sklearn.metrics import accuracy_score

predicted_classes = Classifier.predict_generator(test_itr, verbose=1)
y_pred = np.argmax(predicted_classes , axis=1)
accuracy_score(y_true.flatten(), y_pred.flatten())