Cocoeval指定类别进行测试

最新推荐文章于 2024-07-10 15:19:58 发布
原创 最新推荐文章于 2024-07-10 15:19:58 发布 · 821 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#目标检测

本文介绍了如何利用COCO数据集API来评估图像识别模型中特定类别的平均精度(AP)。关键步骤包括设置参数catIds以指定评估类别，如将catIds设为[1]代表评估'person'类。同时，文章简要概述了mAP（平均精度均值）的计算方法，并推荐了两篇深入解析COCOEval API的博客资源。

看到一个好文章，记录一下
如何使用COCO数据集api评估特定类别的AP
其实质就是
cocoEval.params.catIds = [1] # 1代表’person’类，你可以根据需要增减类别

另外，记录一下计算mAP方法
MAP的计算方法（简单总结）

另：
记录几篇讲coco eval API很好的文章：
https://blog.youkuaiyun.com/qq_36302589/article/details/105690491
https://blog.youkuaiyun.com/weixin_47755558/article/details/119082484

YOLOv11计算COCO指标和TIDE指标
走向CTO的路上...
11-08 1762
本文介绍了YOLOv11目标检测模型在COCO和TIDE指标上的计算方法。COCO指标作为行业标准评估工具，通过多IoU阈值(0.5:0.95)的mAP全面衡量模型性能，包括对不同尺度目标的检测能力。TIDE指标则对误差进行精细分解，帮助定位模型缺陷。文章详细说明了两种指标的技术原理、应用场景，并提供了代码实现示例，包括COCO格式转换和评估流程。这些指标为模型优化提供了量化依据，适用于研发验证、工业调优和模型对比选型等场景。
COCOAPI评价指标解析及改进
shY Pa
12-15 3553
本文主要解析目标检测中常用的COCOAPI工具计算mAP的过程，以及增加相关功能用于更好的提供模型优化的方向。 程序入口 python eval_coco.py 特别说明 results_test.json格式如下： [{“image_id”: 19, “category_id”: 1, “bbox”: [121.4, 116.02, 560.56, 303.83], “score”: 0.97}, {“image_id”: 19, “category_id”: 1, “bbox”: [119.3, 74
COCO/VOC评估输出指定某类AP或输出每个类别AP结果
你好，明天，，的博客
03-27 1114
COCO/VOC评估输出指定某类AP或输出每个类别AP结果，打印输出各类别的AP值，用于模型评估。
如何使用COCO数据集api评估特定类别的AP
qq_27721259的博客
11-10 9098
使用coco数据集训练目标检测网络的时候，有时候需要查看模型在具体几个类别的检测效果，例如human detector网络。但中文文档里对COCO如何评估网络在某一类别下的检测效果描述的很少，这给很多刚入门的研究人员造成了困扰。所以，在这里我简单介绍一下如何使用COCO官方的API评估网络在某一类别下的表现。 1.如何安装COCO PythonAPI 首先clone官方api： git clon...
COCO评价指标
静谧、淡雅
01-10 1583
COCO： https://cocodataset.org/#detections-eval 上图中出现-1的情况，初始值为-1。 模型检测不出中小目标或者没有中小目标，都可能出现上述情况。????
COCO评估输出指定某类AP或者输出每个类别AP结果_coco api打印出所有类别的ap值
2401_83946826的博客
04-15 1072
最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！
RetinaNet在COCO数据集上的测试
最新发布
04-14
测试完成后，程序会在终端打印出评价指标，主要包括平均精确度 (Average Precision, AP) 及其他子类别统计信息。以下是可能的结果样例： ``` bbox_mAP: 0.3870 bbox_mAP_50: 0.6020 bbox_mAP_75: 0.4290 ... ``` ...
mmdetection2.11.0 模型测试评估及计算各个类别的map
知北行的博客
05-19 1万+
1. 计算各个类别的map 1.1 方法1: 直接计算, 仅支持voc 数据集与 custom 数据集 使用如下命令直接计算各个分类的map , 使用的图片为 config 配置中test中的数据集评估 python tools/test.py work_dirs/faster_rcnn_r50_fpn_1x_coco.py work_dirs/latest.pth --eval mAP # 参数说明 - work_dir/faster_rcnn_r50_fpn_1x_coco.py: 模型配置文件 -
mmdetection 类别出错问题+训练+测试
happyrobot01的博客
07-30 4083
mmdetection 是时下比较常用的目标检测工具箱，集成了faster ,cascade,yolo 等性能比较好的检测算法，熟练使用mmdetection进行自定义数据的目标检测就成为了很多AIer的必经之路。 项目仓库地址：https://github.com/open-mmlab/mmdetection 安装，装环境就略过了。 装完之后，想要训练自己的数据集，首先要将自己的数据整理成COCO的格式： --------data ---------------coco -----------
coco_eval 使用
RessCris的博客
07-10 2042
coco 的评估函数对应的是 pycocotools 中的 cocoeval.py 文件。从整体上来看，整个 COCOeval 类的框架如图：基础的用法为cocoGt, cocoDt 应该是什么格式？如果是COCO 格式，注意需要增加 score 值。（how?
COCO评估输出指定某类AP或者输出每个类别AP结果
xidaoliang的博客
06-13 5772
COCO指标评价,可以指定输出某一类的AP或者同时输出每一类的MAP值
计算COCO数据格式下每个类别的bbox的AP和Recall
qq_48355075的博客
09-24 3438
计算COCO数据格式下每个类别的bbox的AP和Recall
COCO数据集目标检测输出指标AP、AR、maxDets
热门推荐
qq_40310050的博客
11-09 1万+
最近在用retinanet进行一个实验，用的coco格式的数据集，输出的结果大致如下： 知识太贫乏了，看不懂 后查了资料，这是coco数据集输出的一个检测结果，解释如下： 1.第一行，是COCO的评价指标 2.第二行，是PASCAL VOC的评价指标 3.第三行，IoU=0.75 相比IOU=0.50是比较严格的一个指标 4.第四行，关注小目标的情况 5.第五行，检测中等目标的 6.第六行，检测大目标的指标 7.第七行，设置目标检测框只有1个 8.第八行，设置目标检测框有10个 9.第九行，设置目标检测
cocoeval 解析
ytusdc的博客
11-16 5151
作者在这里把我们前面提到的参数Params作为一个函数的输入，似乎本意是希望能够更方便的在更多维度上统计结果，但是偏偏前面的evaluate又是在默认的参数上进行的，确实有一种还未完全实现功能。函数内部会根据传入的具体的IoU阈值，面积阈值，最大检测数的值返回上述precision和recall中对应维的检测结果，我们就也可以自定义形式返回我们想要的各种参数下的AP与AR啦。对于COCO格式的数据检测，我们主要分为不同的IoU阈值，不同的面积范围，单张图片的最大检测数量。这里没有什么特别的需要注意的。
COCO的API简介【python3仅针对Detection】
jiao_mrswang的博客
08-12 2392
1、初始化一个对象 coco=COCO(gt的路径) 2、加载gt.coco 3、加载result.json
cocoeval代码解析
benefit001的博客
04-09 2049
2‘由于gt是按照ignore进行排序的，值为0的在前，值为1的在后，因此，对于每一个dt，当它遍历到了ignore为1的gt，若它的匹配标签不为-1，即它已经与某一个gt匹配，则停止该dt对剩余gt的遍历，否则，若它的匹配标签仍为-1，则继续其对剩余gt的匹配。以self.eval的方式返回结果，分数矩阵的排列维度为[T,R,K,A,M]，T表示不同的iou阈值，R表示不同的recall，K表示不同的category，A表示不同的面积阈值，M表示不同的最大检测数。
关于目标检测中COCO的mAP计算方式介绍
qq_37516798的博客
03-11 5412
1.AP(现在目标检测论文中COCO数据集上的衡量标准）：目标检测算法的常用评价标准，实际上是mmAP,因为是多个IOU阈值的平均mAP,含义为IOU阈值（检测框与groundtruth的iou大于该阈值时认为是正样本）从0.5到0.95逐步递增0.05时共10个IOU阈值下的mAP的平均值。（而在Pascal VOC上只计算IOU阈值为0.5下的mAP ，所以COCO评价标准更全面） 2.AP5...
【代码】【未完】COCO评价准则的Python代码解读
FSALICEALEX的博客
10-15 1599
cocoeval.py的COCOeval类 1. _prepare 载入gts和dts，这两个都是列表，每一个元素包含bbox，img_id，类别等信息。 如果存在ignore_id的话，将对应gt的’ignore’设置为TRUE self._gts = defaultdict(list) # gt for evaluation self._dts ...
COCO API-深入解析cocoeval在det中的应用
qq_36302589的博客
04-22 1万+
因为最近重新回炉深造Det细节了，就对cocoeval源码进行了阅读，发现这部分csdn上也没有很详细的注解，自己看了很久，就顺带写了一下注解吧，希望给看着烦的朋友一点帮助。 首先我们了解下cocoeval .py的构成吧。 Params类： 对于COCO格式的数据检测，我们主要分为不同的IoU阈值，不同的面积范围，单张图片的最大检测数量。在这些不同的参数下，会得到不同的AP与AR。 所以...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值