tools/accuracy_checker/accuracy_checker/representation/detection_representation.py

   1 """
   2 Copyright (c) 2019 Intel Corporation
   3
   4 Licensed under the Apache License, Version 2.0 (the "License");
   5 you may not use this file except in compliance with the License.
   6 You may obtain a copy of the License at
   7
   8       http://www.apache.org/licenses/LICENSE-2.0
   9
  10 Unless required by applicable law or agreed to in writing, software
  11 distributed under the License is distributed on an "AS IS" BASIS,
  12 WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  13 See the License for the specific language governing permissions and
  14 limitations under the License.
  15 """
  16
  17 import numpy as np
  18
  19 from ..utils import remove_difficult
  20 from .base_representation import BaseRepresentation
  21
  22
  23 class Detection(BaseRepresentation):
  24     def __init__(self, identifier='', labels=None, x_mins=None, y_mins=None, x_maxs=None, y_maxs=None, metadata=None):
  25         super().__init__(identifier, metadata)
  26
  27         self.labels = np.array(labels) if labels is not None else np.array([])
  28         self.x_mins = np.array(x_mins) if x_mins is not None else np.array([])
  29         self.y_mins = np.array(y_mins) if y_mins is not None else np.array([])
  30         self.x_maxs = np.array(x_maxs) if x_maxs is not None else np.array([])
  31         self.y_maxs = np.array(y_maxs) if y_maxs is not None else np.array([])
  32
  33     def remove(self, indexes):
  34         self.labels = np.delete(self.labels, indexes)
  35         self.x_mins = np.delete(self.x_mins, indexes)
  36         self.y_mins = np.delete(self.y_mins, indexes)
  37         self.x_maxs = np.delete(self.x_maxs, indexes)
  38         self.y_maxs = np.delete(self.y_maxs, indexes)
  39
  40         difficult_boxes = self.metadata.get('difficult_boxes')
  41         if not difficult_boxes:
  42             return
  43
  44         new_difficult_boxes = remove_difficult(difficult_boxes, indexes)
  45
  46         self.metadata['difficult_boxes'] = new_difficult_boxes
  47
  48     @property
  49     def size(self):
  50         return len(self.x_mins)
  51
  52     def __eq__(self, other):
  53         if not isinstance(other, type(self)):
  54             return False
  55
  56         def are_bounding_boxes_equal():
  57             if not np.array_equal(self.labels, other.labels):
  58                 return False
  59             if not np.array_equal(self.x_mins, other.x_mins):
  60                 return False
  61             if not np.array_equal(self.y_mins, other.y_mins):
  62                 return False
  63             if not np.array_equal(self.x_maxs, other.x_maxs):
  64                 return False
  65             if not np.array_equal(self.y_maxs, other.y_maxs):
  66                 return False
  67             return True
  68
  69         return self.identifier == other.identifier and are_bounding_boxes_equal() and self.metadata == other.metadata
  70
  71
  72 class DetectionAnnotation(Detection):
  73     pass
  74
  75
  76 class DetectionPrediction(Detection):
  77     def __init__(self, identifier='', labels=None, scores=None, x_mins=None, y_mins=None, x_maxs=None, y_maxs=None,
  78                  metadata=None):
  79         super().__init__(identifier, labels, x_mins, y_mins, x_maxs, y_maxs, metadata)
  80         self.scores = np.array(scores) if scores is not None else np.array([])
  81
  82     def remove(self, indexes):
  83         super().remove(indexes)
  84         self.scores = np.delete(self.scores, indexes)
  85
  86     def __eq__(self, other):
  87         return np.array_equal(self.scores, other.scores) if super().__eq__(other) else False