test_lipreading/plotter.py at main · sadevans/test_lipreading · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os
import seaborn as sns
sns.set_style('white')
sns.set (font_scale= 1 )
# sns.color_palette("Paired")

if __name__ == '__main__':
    df_lipnet_overlapped_name = 'lipnet_overlapped'
    df_vsr_extended_name = 'vsr_extended'

    df_lipnet_overlapped = pd.read_csv('./lipnet_results_overlapped.csv')
    df_vsr_extended = pd.read_csv('./vsr_results.csv')

    # MEAN WER CER LIPNET OVERLAPPED
    # overall_mean = df_lipnet_overlapped[['wer', 'cer']].mean()
    # overall_mean_df = pd.DataFrame(overall_mean).reset_index()
    # overall_mean_df.columns = ['error', 'value']
    # plt.figure(figsize=(10,6))
    # sns.barplot(data=overall_mean_df, x = 'error', y='value', palette='muted', alpha=0.7)
    # # plt.title('Среднее значение WER и CER для LipNet overlapped')
    # plt.xlabel('Ошибка', fontsize=16)
    # plt.ylabel('Среднее значение', fontsize=16)
    # plt.tight_layout()
    # # plt.legend()
    # plt.savefig(f'./figs/{df_lipnet_overlapped_name}' + '_means_wercer_wotitle.png', dpi=400)

    # plt.show()

    #  MEAN WER CER FOR AUTO VSR
    # overall_mean = df_vsr_extended[['wer', 'cer']].mean()
    # overall_mean_df = pd.DataFrame(overall_mean).reset_index()
    # overall_mean_df.columns = ['error', 'value']
    # plt.figure(figsize=(10,6))
    # sns.barplot(data=overall_mean_df, x = 'error', y='value', palette='muted', alpha=0.7)
    # # plt.title('Среднее значение WER и CER для Auto-VSR на расширенных данных')
    # plt.xlabel('Ошибка', fontsize=16)
    # plt.ylabel('Среднее значение', fontsize=16)
    # plt.tight_layout()
    # plt.savefig(f'./figs/{df_vsr_extended_name}' + '_means_wercer_wotitle.png', dpi=400)

    # plt.show()

    # overall_mean_vsr = df_vsr_extended[['wer', 'cer']].mean()
    # overall_mean_df_vsr = pd.DataFrame(overall_mean_vsr).reset_index()
    # overall_mean_df_vsr.columns = ['error', 'value']

    # overall_mean = df_lipnet_overlapped[['wer', 'cer']].mean()
    # overall_mean_df = pd.DataFrame(overall_mean).reset_index()
    # overall_mean_df.columns = ['error', 'value']
    # plt.figure(figsize=(10,6))
    # sns.barplot(data=overall_mean_df_vsr, x = 'error', y='value', palette=['#3366FF','#FF5733'], alpha=1)
    # sns.barplot(data=overall_mean_df, x = 'error', y='value', palette=['#FF6EC7','#D462FF'], alpha=0.7)

    # plt.title('Среднее значение WER и CER')
    # plt.xlabel('Ошибка', fontsize=16)
    # plt.ylabel('Среднее значение', fontsize=16)
    # plt.tight_layout()
    # plt.legend()
    # # plt.savefig(f'./figs/{df_vsr_extended_name}' + '_means_wercer.png', dpi=400)

    # plt.show()

    # WER FROM LEN WORDS LIPNET OVERLAPPED
    # plt.figure(figsize=(10, 6))
    # sns.lineplot(x='len word truth', y='wer', color='blue', data=df_lipnet_overlapped)
    # # plt.title('Зависимость WER от длины слов в истинной аннотации')
    # plt.xlabel('Длина истинной транскрипции в словах', fontsize=16)
    # plt.ylabel('WER', fontsize=16)
    # # plt.tight_layout()
    # plt.savefig(f'./figs/{df_lipnet_overlapped_name}' + '_wer_from_lenwords.png', dpi=400)

    # plt.show()

    # # CER FROM LEN CHARS LIPNET OVERLAPPED
    # plt.figure(figsize=(10, 6))
    # sns.lineplot(x='len char truth', y='cer', color='red', data=df_lipnet_overlapped)
    # # plt.title('Зависимость WER от длины слов в истинной аннотации')
    # plt.xlabel('Длина истинной транскрипции в символах', fontsize=16)
    # plt.ylabel('CER', fontsize=16)
    # # plt.tight_layout()
    # plt.savefig(f'./figs/{df_lipnet_overlapped_name}' + '_cer_from_lenchars.png', dpi=400)

    # plt.show()

    # WER FROM LEN WORDS vsr
    # plt.figure(figsize=(10, 6))
    # sns.lineplot(x='len word truth', y='wer', color='green', data=df_vsr_extended)
    # # plt.title('Зависимость WER от длины слов в истинной аннотации')
    # plt.xlabel('Длина истинной транскрипции в словах', fontsize=16)
    # plt.ylabel('WER', fontsize=16)
    # # plt.tight_layout()
    # plt.savefig(f'./figs/{df_vsr_extended_name}' + '_wer_from_lenwords.png', dpi=400)

    # plt.show()

    # CER FROM LEN CHARS vsr
    # plt.figure(figsize=(10, 6))
    # sns.lineplot(x='len char truth', y='cer', color='orange', data=df_vsr_extended)
    # # plt.title('Зависимость WER от длины слов в истинной аннотации')
    # plt.xlabel('Длина истинной транскрипции в символах', fontsize=16)
    # plt.ylabel('CER', fontsize=16)
    # # plt.tight_layout()
    # plt.savefig(f'./figs/{df_vsr_extended_name}' + '_cer_from_lenchars.png', dpi=400)

    # plt.show()

    # LEN PRED CHARS VS LEN TRUTH LIPNET
    # plt.figure(figsize=(8, 6))
    # sns.scatterplot(x='len char truth', y='len char predicted', data=df_lipnet_overlapped, color='red', s=200, marker='D')
    # plt.xlabel('Длина истинной аннотации в символах', fontsize=14)
    # plt.ylabel('Длина предсказанной аннотации в символах', fontsize=14)
    # plt.savefig(f'./figs/{df_lipnet_overlapped_name}' + '_len_pred_vs_len_truth.png', dpi=400)

    # plt.show()

    # plt.figure(figsize=(8, 6))
    # sns.scatterplot(x='len word truth', y='len word predicted', data=df_lipnet_overlapped, color='blue', s=200, marker='^')
    # plt.xlabel('Длина истинной аннотации в словах', fontsize=14)
    # plt.ylabel('Длина предсказанной аннотации в словах', fontsize=14)
    # plt.savefig(f'./figs/{df_lipnet_overlapped_name}' + '_len_pred_vs_len_truth_words.png', dpi=400)

    # plt.show()

    # LEN PRED CHARS VS LEN TRUTH VSR
    plt.figure(figsize=(8, 6))
    sns.scatterplot(x='len char truth', y='len char predicted', data=df_vsr_extended, color='#fe981e', s=200, marker='D')
    plt.xlabel('Длина истинной аннотации в символах', fontsize=14)
    plt.ylabel('Длина предсказанной аннотации в символах', fontsize=14)
    plt.savefig(f'./figs/{df_vsr_extended_name}' + '_len_pred_vs_len_truth1.svg', format='svg',dpi=400)

    plt.show()

    plt.figure(figsize=(8, 6))
    sns.scatterplot(x='len word truth', y='len word predicted', data=df_vsr_extended, color='#7030f3', s=200, marker='^')
    plt.xlabel('Длина истинной аннотации в словах', fontsize=14)
    plt.ylabel('Длина предсказанной аннотации в словах', fontsize=14)
    plt.savefig(f'./figs/{df_vsr_extended_name}' + '_len_pred_vs_len_truth_words1.svg', format='svg',dpi=400)

    plt.show()


    # plt.figure(figsize=(4, 3))
    # sns.pairplot(df_vsr_extended)
    # plt.suptitle('Pairplot для взаимосвязей между переменными', y=1.02)
    # plt.savefig(f'./figs/{df_vsr_extended_name}' + '_pairplots.png', dpi=400)

    # plt.show()

    # plt.figure(figsize=(4, 3))
    # sns.pairplot(df_lipnet_overlapped.drop(columns=['video name']))
    # plt.suptitle('Pairplot для взаимосвязей между переменными', y=1.02)
    # plt.savefig(f'./figs/{df_lipnet_overlapped_name}' + '_pairplots.png', dpi=400)

    # plt.show()