b8e95eccbe
Ретина, ламина, медулла, лобула, грибовидное тело, веерное тело, центральный комплекс, нисходящие нейроны. Обучение памяти тоннеля и считывания MBON, оценка leave-one-bag-out, полигон дальности, 24 теста. Реальный объект на 55 м — 98.9 % кадров, ложных 7.5 трека на км, кадр обрабатывается за 33 мс на CPU.
108 lines
5 KiB
Python
108 lines
5 KiB
Python
"""Разбор ложных тревог на одном бэге: кто именно сработал и почему.
|
||
|
||
Память обучается **без** проверяемого бэга (как в evaluate.py), затем конвейер
|
||
гоняется по нему и каждая подтверждённая цель записывается вместе с признаками
|
||
породившего её кандидата. На выходе — сводка по трекам: где стоял, сколько
|
||
кадров жил, какие у него размеры, новизна и наполненность габарита.
|
||
|
||
python tools/diagnose_fp.py --bag roundT_doubleT --device cuda
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
import argparse
|
||
from collections import defaultdict
|
||
|
||
import numpy as np
|
||
|
||
import _bootstrap as B # noqa: F401
|
||
from flyguard.bag import Bag, find_bags
|
||
from flyguard.pipeline import FlyGuard, Params
|
||
from evaluate import OBSTACLE_BAG, TRUE_D, train_excluding
|
||
|
||
|
||
def main() -> None:
|
||
ap = argparse.ArgumentParser(description=__doc__)
|
||
ap.add_argument("--root", default=str(B.DATA / "for_hackathon"))
|
||
ap.add_argument("--cache", default=str(B.CACHE / "tune_candidates.npz"))
|
||
ap.add_argument("--extra-cache", default=str(B.CACHE / "new_data_candidates.npz"))
|
||
ap.add_argument("--bag", default="roundT_doubleT")
|
||
ap.add_argument("--limit", type=int, default=250)
|
||
ap.add_argument("--device", default="cpu")
|
||
args = ap.parse_args()
|
||
|
||
from pathlib import Path
|
||
d = np.load(args.cache, allow_pickle=True)
|
||
per_bag = {str(k): d[f"X_{k}"].astype(np.float32) for k in d["names"]}
|
||
extra = (np.load(args.extra_cache)["X"].astype(np.float32)
|
||
if Path(args.extra_cache).exists() else None)
|
||
|
||
bag_path = next(p for p in find_bags(args.root) if p.name == args.bag)
|
||
memory = train_excluding(per_bag, extra, args.bag, 0.4, args.device)
|
||
|
||
fg = FlyGuard(Params(), memory=memory)
|
||
bag = Bag(bag_path)
|
||
is_obs = args.bag == OBSTACLE_BAG
|
||
|
||
per_track = defaultdict(list)
|
||
s_world = 0.0
|
||
n = 0
|
||
for k, (_, pc) in enumerate(bag.frames(stop=args.limit)):
|
||
res = fg.process(pc)
|
||
if res is None:
|
||
continue
|
||
n += 1
|
||
s_world += res.ego.ds if res.ego else 0.0
|
||
for o in res.decision.objects:
|
||
if is_obs and TRUE_D[0] < o.distance < TRUE_D[1]:
|
||
continue
|
||
# найти кандидата, породивший эту цель — ближайший по дальности
|
||
best, err = None, 1e9
|
||
for c in res.candidates:
|
||
e = abs(c.d - o.distance)
|
||
if e < err:
|
||
best, err = c, e
|
||
per_track[o.track_id].append(dict(
|
||
frame=k, s=s_world, d=o.distance, u=o.lateral, h=o.height,
|
||
w=o.width, sv=o.size_v, conf=o.confidence, nov=o.novelty,
|
||
rays=o.n_rays,
|
||
cd=best.d if best else np.nan,
|
||
cu=best.u if best else np.nan,
|
||
ch=best.h if best else np.nan,
|
||
chmin=best.h_min if best else np.nan,
|
||
cdepth=best.depth if best else np.nan,
|
||
ccont=best.containment if best else np.nan,
|
||
cgap=best.gap if best else np.nan,
|
||
caz=best.az_deg if best else np.nan,
|
||
cel=best.el_deg if best else np.nan,
|
||
cnov=best.novelty if best else np.nan,
|
||
cinten=best.inten if best else np.nan,
|
||
crings=best.n_rings if best else np.nan,
|
||
ccols=best.n_cols if best else np.nan,
|
||
cfloor=best.floor_deficit if best else np.nan,
|
||
cshadow=best.shadow if best else np.nan,
|
||
))
|
||
|
||
print(f"бэг {args.bag}: {n} кадров, путь {s_world:.0f} м, "
|
||
f"ложных треков {len(per_track)}\n")
|
||
hdr = (f"{'трек':>5s} {'кадров':>6s} {'кадры':>9s} {'d,м':>10s} {'u,м':>7s} "
|
||
f"{'h,м':>6s} {'hmin':>6s} {'shxsv':>11s} {'глуб':>5s} {'напол':>6s} "
|
||
f"{'зазор':>6s} {'лучей':>6s} {'кольц':>5s} {'стлб':>5s} "
|
||
f"{'нов':>5s} {'инт':>5s} {'az°':>7s} {'el°':>6s} {'пол.деф':>7s}")
|
||
print(hdr)
|
||
print("-" * len(hdr))
|
||
rows = sorted(per_track.items(), key=lambda kv: -len(kv[1]))
|
||
for tid, recs in rows:
|
||
a = {k: np.array([r[k] for r in recs], float) for k in recs[0]}
|
||
med = lambda k: float(np.nanmedian(a[k]))
|
||
print(f"{tid:5d} {len(recs):6d} {int(a['frame'][0]):4d}-{int(a['frame'][-1]):<4d} "
|
||
f"{med('d'):5.1f}→{a['d'][-1]:4.1f} {med('u'):7.2f} "
|
||
f"{med('h'):6.2f} {med('chmin'):6.2f} "
|
||
f"{med('w'):5.2f}x{med('sv'):<5.2f} {med('cdepth'):5.2f} "
|
||
f"{med('ccont'):6.2f} {med('cgap'):6.2f} {med('rays'):6.0f} "
|
||
f"{med('crings'):5.0f} {med('ccols'):5.0f} "
|
||
f"{med('nov'):5.2f} {med('cinten'):5.0f} "
|
||
f"{med('caz'):7.2f} {med('cel'):6.2f} {med('cfloor'):7.2f}")
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main()
|