YOLOv3评估recall、precision等指标

cc__cc__

于 2020-02-07 18:03:22 发布

阅读量3.8k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：目标检测深度学习人工智能

本文链接：https://blog.youkuaiyun.com/cc__cc__/article/details/104213097

深度学习专栏收录该内容

24 篇文章

订阅专栏

本文介绍如何使用YOLOv3模型在VOC格式数据集上进行目标检测，并详细说明了生成检测结果txt文本的过程，以及如何利用voc_eval.py计算recall、precision和AP值，为模型性能评估提供全面指导。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我使用的是voc格式数据集，训练方法详见上篇博客：YOLOv3训练自己的VOC数据集

一、生成检测结果txt文本

./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg xx.weight

如果没加-out选项则默认在results目录下生成txt文件，例如：comp4_det_test_car.txt
将生成的txt文件更名为类别名.txt，例如car.txt

二、借助voc_eval.py计算recall、precision等

Faster RCNN的实现中即包含voc_eval.py，将其复制到当前项目目录下
新建compute.py

from voc_eval import voc_eval

rec,prec,ap = voc_eval('…/results/{}.txt','…/VOCdevkit/VOC2007/Annotations/{}.xml','…/VOCdevkit/VOC2007/ImageSets/Main/test.txt','car','.')

print(……)

注意随手删除运行目录下生成的annots.pkl，以防下一次运行出现问题
另外原项目examples/detector.c中包含validate_detector_recall函数，也可借助其计算recall

参考：
https://blog.youkuaiyun.com/cgt19910923/article/details/80524173
https://blog.youkuaiyun.com/mieleizhi0522/article/details/79989754
https://blog.youkuaiyun.com/northeastsqure/article/details/54848665