YOLO系列在Visdrone数据集上精度低问题

问题描述：进行论文进行对比时候发现用cocoapi对yolo保存的best_prediction.json进行cocoeval，发现精度远远低于yolo自带val.py的结果。

这个问题卡了我前前后后大概半年的时间，限于学识有限，老是找不到问题所在于是搁置。最近在进行论文对比实验不得不用上cocoapi去计算cocometric，硬着头皮解决了两个礼拜才搞定（Orz 我太菜了！）

解决思路：ground truth抓换的json和best_prediction.json中的category_id需要对齐

Yolov5中自带的Visdrone.yaml自动完成了Visdrone文件自带的annotation到yolo标注格式的转换，其实Visdrone原始的标注一共有12个类别的，分别如下：

    categories = [
        {"id": 0, "name": "ignored regions"},
        {"id": 1, "name": "pedestrian"},
        {"id": 2, "name": "people"},
        {"id": 3, "name": "bicycle"},
        {"id": 4, "name": "car"},
        {"id": 5, "name": "van"},
        {"id": 6, "name": "truck"},
        {"id": 7, "name": "tricycle"},
        {"id": 8, "name": "awning-tricycle"},
        {"id": 9, "name": "bus"},
        {"id": 10, "name": "motor"},
        {"id": 11, "name": "others"}
                ]

但在Visdrone目标检测论文https://arxiv.org/pdf/2108.11539.pdf中以及u版yolov5yolov5/data/VisDrone.yaml at master · ultralytics/yolov5 · GitHub中都值关注中间10项目标 因为忽略了文件中的label为0和11的目标。

                                                                yolov5官网截图