YOLOv3评估recall、precision等指标

最新推荐文章于 2025-10-21 16:01:09 发布
原创 最新推荐文章于 2025-10-21 16:01:09 发布 · 3.8k 阅读 · 5 ·
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 #深度学习 #人工智能

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。
部署运行你感兴趣的模型镜像
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

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 10万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
一[3.0]、 yolov8 性能评估指标（mAP、Precision、Recall、FPS、IoU）
努力努力努力
06-23 344
在根据测试集数据评估模型时，得到各特征线性组合后的置信度得分，当确定某阈值后，若得分小于阈值则判为负类，否则为正类，计算出此时的Precision和Recall结果并保存。一般来说，在同一测试集，上面的比下面的好。当P和R的值接近时，F1值最大，此时画连接(0,0)和(1,1)的线，线和PRC重合的地方的F1是这条线最大的F1，此时的F1对于PRC就好像AUC对于ROC一样。图中的蓝色折线代表“person”类别，整体趋势为随着置信度的增加，精确度也在增加，在置信度为0.92时，精确度达到了1。
YOLOv3计算recall和mAP
sihaiyinan的博客
02-24 6404
yolov3计算mAP有两种方法，第一种是使用faster rcnn中的voc_eval.py进行计算，另一种是通过修改yolov3中的代码进行计算。相比较而言第一种方法简单一些。 方法一：使用voc_eval.py进行计算 在yolov3中运行vaild命令进行测试。vaild命令执行的代码如下 void validate_detector(char *datacfg, char *cf...
YOLOv3 darknet Windows版 评价指标的命令行
baiyang10010的博客
12-08 878
处理data/train.txt中一列表的图像 ， 并将保存检测的结果到 result.json文件 使用: darknet.exe detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights -ext_output -dont_show -out result.json < data/train.txt 处理data/train....
YOLO系列评价指标
最新发布
2401_87432666的博客
10-21 1703
在机器学习中，要评估一个模型在任务中的优越性，需要利用评价指标来对其进行评估，而评价指标往往有多个，从不同层面来评价模型的优劣，从而使模型的构建者更加全面地了解模型的性能，同时依据任务的偏向和要求来对模型进行取舍。在原始论文中，作者提到了两种情况下的置信度，一种是是否有物体的置信度，另一种是在有物体的情况下，检测的不同类别物体的置信度，这两种是递进的关系，而我们模型的输出即为类别置信度。在实际应用中，往往更多的任务为多分类任务，为了加深对评价指标的概念的理解，利用一个多分类的案例来进行评价指标的计算。
YOLOv3 性能指标
weixin_44533869的博客
07-29 4960
综合计算性能指标： 修改darknet文件夹example文件夹下的detector.c（计算ap值、recall值、avg、 iou值、precision值、fp、tp以及绘制P-R曲线指标所需的precision和recall值等值） 在detector文件中添加计算map的函数并进行设置。 具体操作步骤： 1. 在detector.c文件中找到以下代码： if(0==strcmp(argv[2], "test")) test_detector(datacfg, cfg, weights, file
yolov3
夏日山间过
06-19 432
目标识别 已经有了OverFeat/R-CNN/Fast-RCNN。 改进的地方： １． 不要像OverFeat/R-CNN将分类与定位的训练分开进行。而改成：一次计算、一步到位，共２个任务。 ２． 不要像Fast-RCNN借用selective method单独提炼2000多个regions，直接在原图上训练出98个bounding boxes。 ３． 不用sliding window，而采用g...
目标检测-yolov3
weixin_47260381的博客
08-22 1576
学习yololv1-yolov3提出的方法
YOLOv10性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
07-13 5319
这篇博客，主要给大家讲解我们在训练yolov10时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
YOLOv11性能评估指标 AP、mAP、Precision、Recall、FPS、IoU、混淆矩阵、F1等YOLO相关参数指标讲解
Snu77的博客
10-15 3万+
这篇博客，主要给大家讲解我们在训练yolov11时生成的结果文件中各个图片及其中指标的含义帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
YOLOv8 性能评估指标详解
走向CTO的路上...
07-01 4183
YOLOv8 作为目前最先进的目标检测算法之一，在性能和精度方面都取得了显著提升。为了全面评估 YOLOv8 模型的性能，需要使用多种指标进行综合评估。本文将对 YOLOv8 常用的性能评估指标进行详细介绍。YOLOv8 性能评估指标是评估模型性能的重要工具，需要结合多种指标进行全面评估，以选择最适合目标检测任务的模型。未来，YOLOv8 性能评估指标将继续发展，以更好地满足目标检测领域的应用需求。
yolov3 详解
weixin_45715405的博客
06-12 2481
通过大量图片去训练这个模型，通过反向传播的方法，神经网络的到一个结果，将其和真实的结果进行比较误差计算（损失函数），我们的目标就是将损失函数降到最低，通过修改卷积核的参数和全连接每一层的权重来进行微调，使得损失函数最小。σ：激活函数，论文作者用的是sigmoid函数，[0,1]之间概率，之所以用sigmoid取代之前版本的softmax，原因是softmax会扩大最大类别概率值而抑制其他类别概率值 ，图解如下。h2是卷积之后的高度，h1是原图像高度，f卷积核高度，p是填充多少，s是卷积核步长。
从分类到检测_从0学习yolov3
scarecrow_sun的博客
08-22 1404
目录分类任务和检测任务的区别检测任务Bounding box 分类任务和检测任务的区别 分类任务：简单的对一个对象进行识别 #mermaid-svg-UIXUsTQlQfbWfvVL .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-UIXUsTQlQfbWfvVL .label text{fill:#333}#m
YOLOv3使用笔记——计算mAP、recall
热门推荐
Gotta-C的博客
05-31 3万+
1.批处理测试图输出检测结果文本 ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg results/yolov3-voc_final.weights -out detect_result.txt 使用detector valid参数，具体函数是detector.c下的validate_detector函数。将训练集的检测结果保存...
【目标检测一】YOLOV3从训练、测试到批量保存测试结果
gusui7202的博客
11-06 2万+
本文从假设你已经有一个图像数据集和xml标签数据集了。然后从VOC2007数据集的制作开始说。 数据整理方法---训练方法-----利用训练日志绘制Loss\IOU等曲线的方法------测试方法---------批量测试方法 数据整理方法： （假设你只想要其中某些类，就要用程序剔除不要的标签、然后删除空标签以及对应图像。注意备份） 训练自己的数据 训练带正常...
linux下yolov3学习（三）：计算map，绘制precision-recall
babyzbb636的博客
09-04 3747
1输出记录目标位置信息的txt文件 可以使用valid命令，如下： ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_900.weights 其中voc.data内容如下：记得修改val classes= 1 #classes为训练样本集的类别总数 train = /h...
FPN YOLOv3 Faster R-CNN PR 曲线 Precision-Recall 曲线 绘制
SugerOO的博客
01-10 4951
本文所使用的代码库： FPN：https://github.com/DetectionTeamUCAS/FPN_Tensorflow YOLOv3：https://github.com/ultralytics/yolov3 Faster R-CNN：https://github.com/jwyang/faster-rcnn.pytorch 之前研究了半天，解决之后才发现很简单。。。 方法： 其实大...
YOLO v3
weixin_36670529的博客
12-12 1443
作者在YOLOv2的基础上进行了改进，分辨率为320x320的YOLOv3能在22ms下mAP达到28.2，并且达到了和SSD同样的精度。主要改动为bounding box预测、分类预测、特征提取并加入了多尺度。 1.bounding box预测 和v2版的YOLO 9000一样，在v3版中使用维度聚类预测bounding box作为anchor box。网络对每个bounding box预测...
YOLOV3论文理解与代码实战
Nick Blog
12-10 790
文章目录1. 网络结构1.1 Darknet-53网络结构1.2 YOLOV3网络结构2. 输出特征图预测解码2.1 Anchor2.2 位置偏移2.3 置信度：2.4 类别预测3. 训练策略与损失函数3.1 训练策略3.2 损失函数3.2.1 目标定位损失3.2.2 目标置信度损失3.2.3 目标分类损失参考： 1. 网络结构 1.1 Darknet-53网络结构 YOLOV3采用Darknet-53作为网络backbone，因为网络中有53个convolutional layers，所以叫做Darkne
YOLOv6不输出Precision、Recall和F1
07-22
在 YOLOv6 的训练或评估过程中，如果发现没有输出 Precision、Recall 和 F1 等评估指标，通常是因为默认的配置或日志输出设置未包含这些指标的展示。与 YOLOv5 和 YOLOv8 相比，YOLOv6 的官方实现对输出指标的处理方式有所不同，尤其是在早期版本中，这些指标可能不会直接打印在训练日志中。 ### 原因分析 1. **默认日志输出内容限制** YOLOv6 的训练脚本默认输出的指标主要集中在损失函数（如 `box_loss`, `cls_loss`, `obj_loss`）和验证集上的 `mAP`、`IoU` 等性能指标，而 Precision、Recall 和 F1 并未包含在标准输出中[^1]。 2. **评估模块未主动启用相关计算** 在评估阶段，虽然 Precision、Recall 和 F1 是通过混淆矩阵等中间结果计算得出的，但 YOLOv6 的评估函数可能没有在最终结果中主动返回这些指标[^2]。 3. **版本差异与配置问题** 不同版本的 YOLOv6（如官方仓库的不同提交）在输出指标上可能存在差异，某些版本可能完全移除了对这些指标的计算逻辑。 --- ### 解决方法 #### 方法一：修改训练/评估脚本输出指标 在 `train.py` 或 `val.py` 文件中，找到与输出指标相关的代码段，通常是 `LOGGER.info()` 所在的部分。可以通过修改日志输出的内容，将 Precision、Recall 和 F1 添加进去。 例如，在 `val.py` 中找到如下代码段： ```python LOGGER.info(f"Epoch: {epoch} | mAP@0.5: {mAP50:.4f} | mAP@0.5:0.95: {mAP:.4f}") ``` 可以扩展为： ```python LOGGER.info(f"Epoch: {epoch} | mAP@0.5: {mAP50:.4f} | mAP@0.5:0.95: {mAP:.4f} | Precision: {precision:.4f} | Recall: {recall:.4f} | F1: {f1:.4f}") ``` 前提是 `precision`, `recall`, `f1` 变量已经在评估流程中被计算并返回。 #### 方法二：手动计算 Precision、Recall 和 F1 在评估过程中，YOLOv6 通常会返回 TP（True Positives）、FP（False Positives）、FN（False Negatives）等中间统计量。基于这些值，可以手动计算 Precision、Recall 和 F1： ```python precision = tp / (tp + fp + 1e-8) recall = tp / (tp + fn + 1e-8) f1 = 2 * precision * recall / (precision + recall + 1e-8) ``` 将上述代码插入到评估流程中，并在日志中输出即可。 #### 方法三：使用混淆矩阵生成完整报告 借助 `sklearn.metrics` 中的 `classification_report` 函数，可以基于预测结果生成完整的 Precision、Recall 和 F1 指标： ```python from sklearn.metrics import classification_report # 假设 y_true 是真实标签，y_pred 是模型预测标签 report = classification_report(y_true, y_pred) print(report) ``` 需要将预测结果整理为标签格式，这在目标检测任务中可能需要额外处理。 --- ### 补充建议 - 如果使用的是官方 YOLOv6 仓库，建议查看 `metrics.py` 或 `utils.py` 文件，确认是否已有计算 Precision、Recall 的函数。 - 在训练过程中，也可以将这些指标写入 TensorBoard 日志，以便可视化跟踪其变化趋势。 ---
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