基于MMdetection框架的目标检测研究-6.绘制混淆矩阵

文章背景：

当我们训练完模型后，我们需要用训练后的模型对正负样本图片进行目标检测测试，这时候我们需要算模型在新的数据集上的检测效果(精度、过杀率、漏检率，准确度等)，这时候使用测试后的结果绘制成混淆矩阵，可以很方便的帮助我们呈现和理解模型的泛华能力。

核心代码：

# -*- coding=utf-8 -*-
'''
功能说明：根据已有的分类数据，绘制相应的混淆矩阵，便于统计
过杀率和漏检率
'''
import numpy as np
import matplotlib.pyplot as plt
# 修改类别列表中的数据和矩阵中数据可以绘制多类混淆矩阵
classes = ['OK ','NG']
confusion_matrix = np.array([(20,5),(5,55)],dtype=np.float64)
plt.imshow(confusion_matrix, interpolation='nearest', cmap=plt.cm.Oranges)  #按照像素显示出矩阵
plt.title('confusion_matrix')
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes)
plt.yticks(tick_marks, classes)
thresh = confusion_matrix.max() / 2.
#iters = [[i,j] for i in range(len(classes)) for j in range((classes))]
#ij配对，遍历矩阵迭代器
iters = np.reshape([[[i,j] for j in range(len(classes))] for i in range(len(classes))],(confusion_matrix.size,2))
for i, j in iters:
    plt.text(j, i, format(confusion_matrix[i, j]))   #显示对应的数字
plt.ylabel('Real label')
plt.xlabel('Prediction')
plt.tight_layout()
#plt.show()
# 保存每次生成的图像
f = plt.gcf()  #获取当前图像
f.savefig(r'./{}.png'.format('result'))# 一定要放到plt.show()前面，否则保存图像为空白
plt.show()#plt.show() 后实际上已经创建了一个新的空白的图片
#f.clear()  #释放内存，迭代保存的时候，plt.plot()会出现多根线在一张图叠加，可以加这句话
print('混淆矩阵图像绘制结束并保存在当前路径下。')

结果显示如下，并在代码路径下保存生成结果：

混淆矩阵图分析： 

该混淆矩阵结果图表示的是，OK实际测试样本有25个，预测为OK的样本有20个，预测为NG的样本有5个。NG实际测试样本有60个，预测为NG的有55个，预测为OK的样本有5个。