YOLOv7打印COCO格式测试指标

        YOLOv7官方代码库的介绍文档里说，运行test命令后，能输出COCO格式的各项测试指标。而我们自己运行后却并不会。而这个功能在进行算法性能分析和对比实验时十分必要。

        解决方法如下，共3个步骤：

        1. 修改测试命令。在YOLOv7的test.py文件中，运行COCO格式测试的代码如下。

        可以看到，有个if判断。要运行后面的指标测试代码，必须让if判断语句中的‘save_json’为True。这就需要在测试命令的末尾加上“--save-json”。修改后的测试命令示例如下：

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val --save-json

        其中’ data/coco.yaml’替换为你的数据集配置文件路径，‘yolov7.pt’替换为你的模型文件路径，‘yolov7_640_val’替换为你的结果存储文件夹名称。其他参数根据需要调整。

        另外，如果你的数据集是按照train、val、test划分，你想在测试集上测指标，那么需要在上述命令中加‘--task test’，否则是在验证集上测指标。

python test.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.65 --device 0 --weights yolov7.pt --name yolov7_640_val --save-json --task test

        2. 安装pycocotools 库。YOLOv7环境配置时并未安装pycocotools库，需要自己安装。首先更新pip：

python -m pip install --upgrade pip

        执行安装：

pip install pycocotools

        如安装不成功，可尝试源码安装。自己百度一下，有很多教程。

        3. 生成COCO格式的标签文件。新建Python文件，将以下代码粘贴其中。代码来自参考博客，我稍作了修改，使得生成的标签文件中image_id格式与YOLOv7的test.py文件中生成预测结果的image_id格式一致。

# coding:utf-8
import os
import cv2
import json
from tqdm import tqdm
import argparse

from pathlib import Path
 
parser = argparse.ArgumentParser()

####请注意修改这块的内容哦
parser.add_argument('--root_dir', default='./NWPU_dataset', type=str,help="root path of images and labels, include ./images and ./labels and classes.txt")
parser.add_argument('--save_path', type=str, default='instances_val2017.json',help="if not split the dataset, give a path to a json file")
arg = parser.parse_args()
 
def yolo2coco(arg):
    root_path = arg.root_dir
    print("Loading data from ", root_path)
    assert os.path.exists(root_path)
    ###标签路径
    originLabelsDir = os.path.join(root_path, 'labels')
    # originLabelsDir = os.path.join(root_path, 'labels/test/')
    ###图片路径
    originImagesDir = os.path.join(root_path, 'images')
    # originImagesDir = os.path.join(root_path, 'images/test/')
    ###类别文件路径
    with open(os.path.join(root_path, 'classes.txt')) as f:
        classes = list(map(lambda x: x.strip(), f.readlines()))
    # images dir name
    indexes = os.listdir(originImagesDir)
    dataset = {'categories': [], 'annotations': [], 'images': []}
    for i, cls in enumerate(classes, 0):
        dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})
 
    # 标注的id
    ann_id_cnt = 0
    for k, index in enumerate(tqdm(indexes)):
        # 支持 png jpg 格式的图片。
        txtFile = index.replace('images', 'txt').replace('.jpg', '.txt').replace('.png', '.txt')

        path = Path(index)

        # 读取图像的宽和高
        im = cv2.imread(os.path.join(originImagesDir, index))
        height, width, _ = im.shape
        # 添加图像的信息
        if not os.path.exists(os.path.join(originLabelsDir, txtFile)):
            # 如没标签，跳过，只保留图片信息。
            continue
        dataset['images'].append({'file_name': index,
                                  'id': int(path.stem) if path.stem.isnumeric() else path.stem,
                                  'width': width,
                                  'height': height})
        with open(os.path.join(originLabelsDir, txtFile), 'r') as fr:
            labelList = fr.readlines()
            for label in labelList:
                label = label.strip().split()
                x = float(label[1])
                y = float(label[2])
                w = float(label[3])
                h = float(label[4])
                # convert x,y,w,h to x1,y1,x2,y2
                H, W, _ = im.shape
                x1 = (x - w / 2) * W
                y1 = (y - h / 2) * H
                x2 = (x + w / 2) * W
                y2 = (y + h / 2) * H
                # 标签序号从0开始计算, coco2017数据集标号混乱，不管它了。
                cls_id = int(label[0])
                width = max(0, x2 - x1)
                height = max(0, y2 - y1)
                dataset['annotations'].append({
                    'area': width * height,
                    'bbox': [x1, y1, width, height],
                    'category_id': cls_id,
                    'id': ann_id_cnt,
                    'image_id': int(path.stem) if path.stem.isnumeric() else path.stem,
                    'iscrowd': 0,
                    # mask, 矩形是从左上角点按顺时针的四个顶点
                    'segmentation': [[x1, y1, x2, y1, x2, y2, x1, y2]]
                })
                ann_id_cnt += 1
    # 保存结果
    with open(arg.save_path, 'w') as f:
        json.dump(dataset, f)
        print('Save annotation to {}'.format(arg.save_path))
 
if __name__ == "__main__":
    yolo2coco(arg)

        另外，我的数据集中图像和标签存放格式如下。labels里存的是YOLO格式的txt标签。每张图像对应一个标签文件。

mydataset
    |--train
	    |--images
	    |--labels
    |--val
	    |--images
	    |--labels
    |--test
	    |--images
	    |--labels

        还需要额外准备一个存类别名称的classes.txt文件，做标签格式转换时要用。每行只放一个类别名称。例如：

Dog
Cat
Bird

        运行上述标签格式转换脚本时，在命令行传入两个参数：测试集文件夹地址'--root_dir'，和转换后得到的json文件存放的地址。第一个根据实际情况设置；第二个设置为‘./coco/annotations/instances_val2017.json’，以跟YOLOv7的test脚本中的保持一致。若要设置别的路径或文件名，则记得在test脚本中做相应修改。第二个路径需要事先创建好相应的文件夹。

        至此，准备工作完成了。运行步骤1中修改后的测试命令，得到COCO格式测试指标。