cocoeval计算COCO数据集box mAP源码解析(nandet test部分)

最新推荐文章于 2025-06-07 09:00:43 发布
最新推荐文章于 2025-06-07 09:00:43 发布
阅读量1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 源码解读2 文章标签： pytorch 深度学习 人工智能
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。
本文链接：https://blog.youkuaiyun.com/level_code/article/details/129669327
本文深入解析了在nanodet中使用pytorch lightning进行box mAP计算的过程，从evaluate()、accumulate()到summarize()，详细阐述了COCOeval在计算精度、召回率以及mAP时的步骤，包括预测结果的处理、box坐标转换、匹配判断、precision和recall的计算，以及最终mAP的汇总。

本文主要通过nanodet的例子，解读cocoeval的box mAP计算过程。
计算过程主要用了COCOeval的3个函数，
evaluate(): 对每张图片，每个类别用不同IOU阈值得到和gt box的match
accumulate(): 计算precision, recall, 平滑precision-recall曲线
summarize(): 计算mAP, mAR

mAP计算原理见IOU，precision, recall, mAP详解

下面会以nanodet的test部分为切入点详细解析这些函数的计算过程。

test部分主要对模型的预测结果做evaluation.
evaluation的标准为box mAP。

nanodet用的是pytorch lightning框架，很多都是pytorch_lightning内部的调用，这个mAP到底是在哪里计算的。
下面会一步一步看。

从nanodet/tools/test.py开始，不看的地方用…代替。
代码中我们看到args中需要指定config文件，于是指定为config/nanodet-plus-n_416.yml
在这个config文件的data部分，只有train和val，并没有test,
你可以添加test数据，
这里没有添加，指定task参数为"val".

所以parameter为：</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
yolact 计算box / mask mAP源码解析
蓝羽飞鸟的博客
04-13 885
解析yolact中如何计算box / mask mAP
利用pycocotools库计算MAP：生成coco格式 json文件数据集和计算map值
qq_42754919的博客
05-29 1971
在目标检测任务中，需要通过Map指标判断模型的精度。为了测试engine文件推理结果的精度，本文介绍了如何使用pycocotools库计算Map，在此之前需要根据coco格式生成json文件。
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 eval 源码详解
qq_36303832的博客
05-06 2811
COCO数据集的测试过程比较复杂，需要一定的时间才能够掌握。由于目前我有更重要的事情要忙，所以先贴出两个我认为写的非常棒的博客，阅读时注意先后顺序。等我有空了，就自己梳理一遍，写一个符合自己理解方式的源码详解 先读这个，这篇博客讲清楚了COCO eval具体想测什么。 再读这个，这个是别人写的源码详解，感觉不错。 有空了我必来填坑！ ...
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。
在自己的数据集上调用cocoapi计算map
weixin_43805402的博客
09-24 3917
之前算map都是用模型在COCO数据集上跑，然后按官方的格式生成results.json，调用cocoapi和官方下载的instances_val2017.json计算就可以了。 现在模型是在自己的数据集上训练的，需要跑一批测试数据计算map recall等，这些图片都是标注好的，而且格式是darknet的，和coco要求的不一样。目录结构如下： data val.txt obj.names val_data img1.jpg img1.txt img2.jpg img2.t
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。
【数据集｜COCO】COCO格式数据集制作与数据集参数计算
【人工智障 | 计算鸡视觉 | 机器孩】
08-16 7471
1. 批量修改 JSON 文件中的参数 2. 划分训练集和测试集 3. 生成 JSON 标签文件 4. 计算训练集三通道均值 5. bbox和seg标签可视化
【处理Helmet detection 数据集 coco-＞ yolo格式 数据下载处理完整教程】
放飞自我的coder
03-19 281
【处理Helmet detection 数据集 coco-> yolo格式 数据下载处理完整教程】
coco 数据集可视化_真大神！1行代码实现数据集可视化、分析与比较 ！
weixin_39638929的博客
12-17 336
萧箫 发自 凹非寺量子位 报道 | 公众号 QbitAI你是否也在朋友圈看过这样的小广告：「你要悄悄学Python，然后惊艳所有人。」现在，GitHub上一位博主告诉你：不用学，用sweetviz就行。这是一个基于Python编写的数据分析软件，只要掌握3种函数用法，一行Python代码就能实现数据集可视化、分析与比较。我们以Titanic数据集为例，输入一行代码：一个1080p的清晰网...
coco_eval.py详解
毕竟是Shy哥
09-17 1175
【代码】coco_eval.py详解。
coco数据集格式计算mAP的python脚本
weixin_41021342的博客
07-06 1271
1）准备图片2）使用LableImg标注工具对目标进行标注标注结果保存为VOC格式。可将VOC格式转换为JSON。
详细解读【map】源码
weixin_43232279的博客
03-29 375
map 会根据元素键值自动被排序，所有元素都是pair，同时拥有实值value和键值key，其pair是<key,pair>。键值不可改变，正值可以。 新增删除操作后，之前的迭代器依然有效。 以RB-tree为底层机制，和set一样也是调用即可。 #ifndef __SGI_STL_INTERNAL_MAP_H #define __SGI_STL_INTERNAL_MAP_H __STL_BEGIN_NAMESPACE #if defined(__sgi) && !def
cocoapi如何计算map
gongyi_yf的博客
05-02 7159
cocoapi如何计算map相关概念如何计算TP和FP欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程...
COCO数据集标注 & 代码
学习 & 分享 ~
05-06 5595
在 COCO 官方数据集里，train 的数据集标注有 6 个 .json 文件，captions 打头的两个是用于 image caption 的，person_keypoints 打头的两个是用于 object keypoint 的，这里我需要的是 image segmentation，所以只说怎么做 instances 的 json 文件啦~ 和 结构是一样的，一个用于训练一个用于测试。都符合下面的大框架： 其中：info、license 的结构如下 前面两个都没什么影响，主要在于 image，a
【目标检测】coco_eval 使用小结
进阶中的程序员吃吃的博客
11-03 5786
coco数据集evaluation方法小结
cocoeval函数教程
wulele2的博客
02-26 5005
文章目录背景1、代码2、文件下载 背景  coco数据集在目标检测任务中经常用到，而coco并不像voc那样直白。尤其在评估方法方面。因此，本文记录下cocoeval函数使用，记性不好。 1、代码 from pycocotools.coco import COCO from pycocotools.cocoeval import COCOeval import numpy as np import pylab,json if __name__ == "__main__": gt_path =
深入解析COCO数据集评估工具pycocotools/cocoeval.py
最新发布
gitblog_00085的博客
06-07 536
COCO数据集是计算机视觉领域最具影响力的目标检测、实例分割和关键点检测基准数据集之一。pdollar/coco项目中的`cocoeval.py`文件是COCO官方提供的评估工具核心实现，用于计算目标检测、分割和关键点检测任务的各项指标。 ## 评估流程详解 COCOeval类提供了完整的评估流程，主要包含以下几个关键步骤： 1. **初始化阶段**：创建评估对象，加载标注数据和检测结果 2...
COCOAPI计算mAP
洪流之源
10-12 2523
COCOAPI 计算mAP
coco目标检测mAP计算
03-16
### COCO 数据集中 mAP 的计算方法 在 COCO 数据集的目标检测任务中，mAP 是一种广泛使用的评价指标。它不仅考虑了预测框的位置准确性（通过 IoU 衡量），还综合评估了类别分类的精确度和召回率。 #### 1. **IoU 阈值的选择** COCO 数据集采用了多 IoU 阈值的方式来更全面地评估模型性能。不同于 PASCAL VOC 中固定的单个 IoU=0.5 阈值，COCO 使用了一系列 IoU 值来定义 AP[^3]。这些 IoU 值范围是从 0.5 到 0.95，步长为 0.05，即 {0.5, 0.55, ..., 0.95}。最终的 mAP 被定义为在这几个 IoU 下的 AP 平均值： \[ mAP = \frac{1}{n} \sum_{i=0.5}^{0.95} AP_i \] 其中 \( n = 10 \) 是不同的 IoU 阈值数量。 --- #### 2. **Precision 和 Recall 曲线** 为了构建 PR 曲线，在目标检测中需要对每个类别的预测结果按照置信度降序排列，并依次计算 Precision (P) 和 Recall (R)[^1]。具体过程如下： - 对于每张图片上的所有预测框，按置信度排序； - 将预测框与真实标注框匹配，判断其是否为 True Positive 或 False Positive； - 根据 TP/FP 统计当前状态下的 Precision 和 Recall。 随后绘制出完整的 PR 曲线。 --- #### 3. **Average Precision (AP)** 的计算 COCO 数据集采用插值法计算 AP，类似于 PASCAL VOC 的方式，但更加精细。以下是具体的步骤： - 设定一组 recall 阈值：\( R = [0, 0.1, 0.2, ..., 1] \); - 对于每个 recall 阈值 \( r_k \in R \)，找到对应的最高 precision 值 \( p(r_k) \); - 计算 AP 作为这些最大 precision 值的平均值： \[ AP = \frac{1}{|R|} \sum_{k=1}^{|R|} p(r_k) \] 这里需要注意的是，COCO 不再局限于传统的 “11-point interpolation”，而是基于连续的 PR 曲线下面积进行积分近似[^2]。 --- #### 4. **整体 mAP 的公式化表达** 结合上述内容，可以总结出 COCO 数据集中 mAP 的完整计算公式： \[ mAP = \frac{1}{N_c} \sum_{c=1}^{N_c} \left( \frac{1}{N_I} \sum_{I=0.5}^{0.95} AP(c, I) \right) \] 其中： - \( N_c \): 类别总数； - \( N_I \): IoU 阈值的数量 (\( N_I = 10 \))； - \( AP(c, I) \): 在特定类别 \( c \) 和 IoU 阈值 \( I \) 下的 Average Precision。 --- #### 5. 实现代码示例 以下是一个简单的 Python 示例，展示如何利用 `pycocotools` 库计算 COCO 数据集上的 mAP： ```python from pycocotools.coco import COCO from pycocotools.cocoeval import COCOeval # 初始化 GT 和 DT 文件路径 annFile = 'path/to/coco_annotations.json' resFile = 'path/to/results.json' # 加载 COCO 数据集对象 cocoGt = COCO(annFile) # 加载预测结果文件 cocoDt = cocoGt.loadRes(resFile) # 创建 COCOEval 对象并指定参数 cocoEval = COCOeval(cocoGt, cocoDt, iouType='bbox') # 运行评估 cocoEval.evaluate() cocoEval.accumulate() cocoEval.summarize() print(f"COCO mAP@IoU=[0.5:0.95]: {cocoEval.stats[0]}") ``` 此脚本会输出标准的 COCO mAP 结果以及其他统计信息。 --- ###
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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