प्रति-वर्ग विश्वास फ़िल्टर

प्रति-वर्ग confidence threshold लागू करके detections को फ़िल्टर करें।

प्रत्येक कक्षा पर अलग विश्वास-सीमा लागू करके डिटेक्शन पूर्वानुमानों को फ़िल्टर करता है, और केवल उन डिटेक्शनों को रखता है जिनका विश्वास उनकी कक्षा के लिए कॉन्फ़िगर की गई सीमा के बराबर या उससे अधिक हो (और जिन कक्षाओं की सूची नहीं है, उनके लिए एक कॉन्फ़िगर करने योग्य फॉलबैक सीमा के साथ)।

यह ब्लॉक कैसे काम करता है

यह ब्लॉक डिटेक्शन पूर्वानुमानों पर वर्ग-जागरूक विश्वास फ़िल्टरिंग लागू करता है, जिससे प्रति-कक्षा गुणवत्ता आवश्यकताओं के आधार पर किन डिटेक्शनों को रखा जाए, इस पर सटीक नियंत्रण मिलता है। यह ब्लॉक:

1. डिटेक्शन पूर्वानुमान (ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, या कीपॉइंट डिटेक्शन) और कक्षा नामों को विश्वास सीमाओं से मैप करने वाला एक शब्दकोश लेता है

2. प्रत्येक डिटेक्शन के माध्यम से इटरेट करता है, और डिटेक्शन की कक्षा-नाम से संबद्ध सीमा ढूँढता है

3. यदि कक्षा शब्दकोश में मौजूद नहीं है, तो कॉन्फ़िगर करने योग्य default_threshold value

4. केवल उन डिटेक्शनों को रखता है जिनका विश्वास निर्धारित सीमा के बराबर या उससे अधिक है

5. मूल मेटाडेटा (कक्षा आईडी, मास्क, कीपॉइंट, ट्रैकर आईडी, आदि) को बनाए रखते हुए फ़िल्टर किए गए डिटेक्शन लौटाता है

एकल वैश्विक विश्वास सीमा के विपरीत, यह ब्लॉक आपको झूठे-सकारात्मक के प्रति प्रवण कक्षाओं के लिए उच्च-विश्वास पूर्वानुमानों की मांग करने देता है, जबकि उन कक्षाओं के लिए अधिक उदार सीमा रखता है जिन्हें पहचानना कठिन है। सामान्य डिटेक्शन फ़िल्टर के विपरीत, यह एक उद्देश्य-निर्मित शब्दकोश इनपुट प्रदान करता है जो साफ़-साफ़ एक सरल {"class_name": threshold} JSON ऑब्जेक्ट।

सामान्य उपयोग के मामले

• शोर-प्रवण कक्षाएँ: बहुत अधिक विश्वास (जैसे 0.9) की माँग करें उन कक्षाओं के लिए जो अक्सर झूठे-सकारात्मक उत्पन्न करती हैं, जबकि अच्छी तरह काम करने वाली कक्षाओं के लिए कम विश्वास स्वीकार करें

• पहचानने में कठिन कक्षाएँ: उन कक्षाओं के लिए सीमा कम करें जिन्हें मॉडल बहुत कम बार उच्च विश्वास के साथ पहचानता है, ताकि वे पूरी तरह फ़िल्टर न हो जाएँ

• उत्पादन-स्तरीय फ़िल्टरिंग: मूल्यांकन के दौरान ट्यून की गई डोमेन-विशिष्ट सीमाएँ लागू करें ताकि डाउनस्ट्रीम विश्लेषण, अलर्ट, या गिनती ब्लॉक केवल वही डिटेक्शन देखें जो परियोजना के गुणवत्ता मानक पर खरे उतरते हैं

• बहु-कक्षा पाइपलाइनें: जब एक एकल वैश्विक विश्वास सीमा बहुत मोटी हो, तो एक साथ कई कक्षाओं की भविष्यवाणी करने वाले ऑब्जेक्ट डिटेक्शन मॉडल के साथ संयोजन करें

अन्य ब्लॉकों से कनेक्ट करना

इस ब्लॉक से फ़िल्टर किए गए पूर्वानुमान इससे जोड़े जा सकते हैं:

• विज़ुअलाइज़ेशन ब्लॉक (बाउंडिंग बॉक्स विज़ुअलाइज़ेशन, लेबल विज़ुअलाइज़ेशन, पॉलीगॉन विज़ुअलाइज़ेशन) ताकि केवल वे डिटेक्शन रेंडर हों जिन्होंने अपनी प्रति-कक्षा सीमा पार कर ली हो

• गिनती और विश्लेषण ब्लॉक (लाइन काउंटर, ज़ोन में समय, वेग) ताकि मेट्रिक्स केवल उच्च-गुणवत्ता वाले डिटेक्शन दर्शाएँ

• ट्रैकिंग ब्लॉक (Byte Tracker) ताकि ट्रैकर संबंध कम-विश्वास वाले शोर से दूषित न हों

• संग्रहण या सिंक ब्लॉक (Roboflow Dataset Upload, Webhook Sink, CSV Formatter) ताकि केवल गुणवत्ता मानक को पूरा करने वाले डिटेक्शन ही संग्रहीत या प्रेषित हों

• डाउनस्ट्रीम रूपांतरण ब्लॉक (Dynamic Crop, Detection Offset) फ़िल्टर किए गए उपसमुच्चय पर आगे की प्रोसेसिंग के लिए

प्रकार पहचानकर्ता

चरण में निम्न पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/per_class_confidence_filter@v1 ब्लॉक को अपने वर्कफ़्लो में एक चरण के रूप में जोड़ने के लिए।

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	इस चरण के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..	❌
class_thresholds	Dict[str, float]	कक्षा नाम से न्यूनतम विश्वास सीमा का मैपिंग। इस शब्दकोश में मौजूद कक्षा नाम वाले डिटेक्शन केवल तभी रखे जाते हैं जब उनका विश्वास संबंधित सीमा से कम-से-कम हो। जो कक्षाएँ मौजूद नहीं हैं, वे default_threshold पर वापस जाती हैं। सीमाएँ [0.0, 1.0] सीमा में होनी चाहिए..	✅
default_threshold	float	उन डिटेक्शनों पर लागू विश्वास सीमा जिनका कक्षा नाम class_thresholds में सूचीबद्ध नहीं है। [0.0, 1.0] सीमा में होना चाहिए..	✅

यह संदर्भ कॉलम, workflow में उपलब्ध गतिशील मानों के साथ प्रॉपर्टी को पैरामीटराइज़ करने की संभावना को चिह्नित करता है वर्कफ़्लो रनटाइम। देखें Bindings अधिक जानकारी के लिए।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन इसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जांचें कि कौन-से बाइंडिंग प्रकार प्रति-कक्षा विश्वास फ़िल्टर संस्करण v1 में है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • भविष्यवाणियाँ (Union[instance_segmentation_prediction, keypoint_detection_prediction, object_detection_prediction]): फ़िल्टर करने के लिए डिटेक्शन पूर्वानुमान। प्रत्येक डिटेक्शन केवल तभी रखा जाता है जब उसका विश्वास उसकी कक्षा के लिए कॉन्फ़िगर की गई सीमा के बराबर या उससे अधिक हो (और जो कक्षाएँ class_thresholds में सूचीबद्ध नहीं हैं, उनके लिए default_threshold पर फॉलबैक के साथ)..

  • class_thresholds (शब्दकोश): कक्षा नाम से न्यूनतम विश्वास सीमा का मैपिंग। इस शब्दकोश में मौजूद कक्षा नाम वाले डिटेक्शन केवल तभी रखे जाते हैं जब उनका विश्वास संबंधित सीमा से कम-से-कम हो। जो कक्षाएँ मौजूद नहीं हैं, वे default_threshold पर वापस जाती हैं। सीमाएँ [0.0, 1.0] सीमा में होनी चाहिए..

  • default_threshold (float_zero_to_one): उन डिटेक्शनों पर लागू विश्वास सीमा जिनका कक्षा नाम class_thresholds में सूचीबद्ध नहीं है। [0.0, 1.0] सीमा में होना चाहिए..

• आउटपुट

  • भविष्यवाणियाँ (Union[object_detection_prediction, instance_segmentation_prediction, keypoint_detection_prediction]): sv.Detections(...) ऑब्जेक्ट के रूप में पहचाने गए बाउंडिंग बॉक्स के साथ पूर्वानुमान यदि object_detection_prediction या sv.Detections(...) ऑब्जेक्ट के रूप में पहचाने गए बाउंडिंग बॉक्स और सेगमेंटेशन मास्क वाले पूर्वानुमान यदि instance_segmentation_prediction या sv.Detections(...) ऑब्जेक्ट के रूप में पहचाने गए बाउंडिंग बॉक्स और पहचाने गए कीपॉइंट वाले पूर्वानुमान यदि keypoint_detection_prediction.

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/per_class_confidence_filter@v1",
	    "predictions": "$steps.object_detection_model.predictions",
	    "class_thresholds": {
	        "car": 0.5,
	        "person": 0.98
	    },
	    "default_threshold": 0.3
	}