Algorithm-Repo/SourceCode/MachineLearningUtils/TestTools/AIModelMetricsUtils

运行main.py文件，
测试不同模型时，给到相应的参数，初始化PlatformMetrics类，调用其process方法，得到相应评价结果，示例如main.py中 __name__ == '__main__'所示

该工程是为了通过python调用c#框架下的onnxruntime或者python框架下的onnxruntime，实现在AI平台上，取到测试图像，
测试模型的结果，得到测试文档中c#和python调用模型，所需的各种评价指标

主要的流程是：
读取平台上的标注信息，转成固定的格式，即gt file生成；
读取平台上的图像信息，调用不同框架下的onnxruntime进行推理，得到预测信息，转成固定的格式，即pred file生成；
将固定格式的gt file 和 相同格式的 pred file进行对比，得到所需的metrics，即评价指标

初始化PlatformMetrics参数说明：
PlatformMetrics(
token=token,
network_path=network_path,
is_python_model_onnxruntime=is_python_model_onnxruntime,
modelname = modelname,
gtfilegeneratetpye = gtfilegeneratetpye,
predfilegeneratetpye = predfilegeneratetpye,
metricstpye = metricstpye,
iscropped = iscropped,
numcpu = numcpu,
is_crop_region_affect_image_nums = is_crop_region_affect_image_nums,
crop_region_label = crop_region_label,
needed_imageresults_dict = needed_imageresults_dict,
needed_rois_dict = needed_rois_dict,
class_id_map = class_id_map,
iou_thres=0.5,
)

:param token: 平台所需的token
:param network_path: 测试模型的路径
:param is_python_model_onnxruntime: 是否调用python的onnxruntime
:param modelname: 模型的名称
:param gtfilegeneratetpye:选择所需的gtfile生成方法
:param predfilegeneratetpye:选择所需的predfile生成方法
:param metricstpye:选择所需的metrics类型
:param iscropped:是否裁切
:param numcpu:cpu推理数量
:param is_crop_region_affect_image_nums:crop_region_label不为空时，是否会影响图像数量计算
:param crop_region_label:需要crop region的roi标签title
:param needed_imageresults_dict:所需的image标签title 对应 预测模型的label，所形成的字典
:param needed_rois_dict: 所需的roi标签title 对应 预测模型的label，所形成的字典
:param class_id_map: 用于label改变的dict
:param iou_thres: iou阈值，分类时无用



关键参数设置含义说明：

is_python_model_onnxruntime bool类型
为True时，调用python框架下的onnxruntime，需要给定c#的XXX.emd模型相对应的XXX.onnx模型，
此时将前处理之后的databuffer做成python所需要的格式，送入python框架下的onnxruntime，然后将结果赋值给_detectedResultData；
为False时，调用c#框架下的onnxruntime，调用RunModel()

crop_region_label list类型
推理的模型，如果需要某个轮廓，则需要设置该参数，该参数必须为ROI标签的title，无需传入脏器轮廓，则为空
举例说明：肝脏那边，先是分类腹部图像，接着分割肝脏轮廓，然后在设定区域进行局灶性和弥漫性疾病的判断。
因此在肝脏弥漫性分类，肝脏局灶性分割，肝脏局灶性检测等任务中，需要肝脏的轮廓，由于所有的ROI标签并不区分是脏器还是病灶等，
因此需要指定哪些是作为所需要的额外脏器轮廓。
c#中，该参数影响InferenceNetworkInputImage的输入，该参数跟c#中的_useExtraBoundBoxAsRoi 相关，
_useExtraBoundBoxAsRoi为true, Resize时以输入的额外矩形框为准;_useExtraBoundBoxAsRoi为false, Resize时以输入的Roi框为准；
该参数跟c#中的 _useContoursAsMask相关（是否用轮廓生成掩膜，轮廓内的保留原始灰度值，轮廓外的全部为0），
_useContoursAsMask为true时，需要image.Contours，需要从InferenceNetworkInputImage中传入。

is_crop_region_affect_image_nums bool类型
跟crop_region_label配合使用，为True时，如果crop_region_label不为空，则会影响整体的图像数量；否则，不会影响图像数量。
举例说明：病灶前后景分割：如果一张图中有多个病灶，此时图像数量按照病灶数量而定，
因为根据InferenceNetworkInputImage的输入需要，所以需要多次传入原图和不同病灶的区域。

needed_imageresults_dict 和 needed_rois_dict
用于将标注信息中的图像标签、ROI标签，和预测信息中的Label相对应。以此来连接gt和pred的对应关系。
needed_imageresults_dict表示图像标签对应字典，needed_rois_dict表示ROI标签对应字典。
如果只需要其中一种标签，另一个设置为{}即可。
dict的多个keys的value可以一致，即标注了多个不同的标签，在测试结果中对应一个pred的Label。
举例说明：心肌分割那边：只返回单通道，Label设为0，预测结果那边设置了加一，因此有轮廓对应1；
（心肌那边暂时没有更新到AIDiagSystem中，未设置_labelInfos更改最终标签）
needed_imageresults_dict = {'非B模式图':0}
needed_rois_dict = {
'四腔心_心肌':1,
'心尖段_心肌':1,
'三腔心_心肌':1,
'基底段_心肌':1,
'乳头肌水平切面_心肌':1,
'两腔心_心肌':1
}

class_id_map dict类型
根据needed_imageresults_dict和needed_rois_dict中所有keys的value再进行一次映射，映射到所需的label中。
举例说明:乳腺的分级检测模型，为了测试良恶性，测试病灶检出率，通过class_id_map，将8个类别，进行良恶性的映射。
needed_imageresults_dict = {"未见明显异常":0}
needed_rois_dict = {
'脂肪瘤':1,
'BI-RADS 2':2,
'BI-RADS 3':3,
'BI-RADS 4a':4,
'BI-RADS 4b':5,
'BI-RADS 4c':6,
'BI-RADS 5':7}
class_id_map = {
0:0,
1:1,
2:1,
3:1,
4:2,
5:2,
6:2,
7:2
}