yolact 计算box / mask mAP源码解析

蓝羽飞鸟

已于 2023-04-14 10:39:09 修改

阅读量885

点赞数

CC 4.0 BY-SA版权

分类专栏：源码解读2 文章标签：计算机视觉人工智能实例分割

于 2023-04-13 17:00:44 首次发布

本文链接：https://blog.youkuaiyun.com/level_code/article/details/129994288

源码解读2 专栏收录该内容

13 篇文章 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文详细解析了Yolact在计算box和mask平均精度(mAP)时的流程，从图片和mask预处理，网络预测输出处理，IOU计算，到最终的mAP计算。在计算mask mAP时，由于COCO格式的json中的mask为polygon，而实际需要的是二值mask，因此在转换过程中会存在误差。文章介绍了如何避免这种误差并有效计算mask IOU，最后展示了计算结果的输出示例。

在计算box mAP时，可以直接调用COCOeval的函数，
先把预测的目标框坐标结合image_id dump到一个和coco annotation格式一样的json文件。
然后调用

coco_dets = self.coco_api.loadRes(json_path)
coco_eval = COCOeval(
    copy.deepcopy(self.coco_api), copy.deepcopy(</

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

蓝羽飞鸟

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

结合paper 详细解读yolact源码（eval）

蓝羽飞鸟的博客

11-30

1715

yolact详细源码解析

深度学习系列资料总结

热门推荐

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

07-17

2万+

说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................

参与评论您还未登录，请先登录后发表或查看评论

用COCOeval计算mask mAP

蓝羽飞鸟的博客

04-06

1093

cocoeval算mask mAP

目标检测，实例分割IOU，precision, recall, mAP详解

蓝羽飞鸟的博客

03-17

5139

目标检测和实例分割的IOU，precision,recall, mAP

调用pycocotools计算mAP

qq_40527427的博客

05-16

5984

from pycocotools.coco import COCO from pycocotools.cocoeval import COCOeval import json from tempfile import NamedTemporaryFile # coco格式的json文件，原始标注数据 anno_file = '/home/j_m/Desktop/val/val.json' coco_gt = COCO(anno_file) # 用GT框作为预测框进行计算，目的是得到detection_.

Mask R-CNN 中计算map (以钢材DWTT断口为例)

hopegrace的博客

12-15

4794

一.概念平均精度（AP）和平均精度均值（mAP）。Mean Average Precision（mAP）通常在信息检索和目标检测中作为评估标准使用。在这两个领域中mAP的计算方法不同，这里主要介绍目标检测中的mAP AP:就是Precision-recall 曲线下面的面积，通常来说一个越好的分类器，AP值越高。 mAP是多个类别AP的平均值。这个mean的意思是对每个类的AP再求平均，...

COCOAPI计算mAP

洪流之源

10-12

2523

COCOAPI 计算mAP

在自己的数据集上调用cocoapi计算map

weixin_43805402的博客

09-24

3916

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

YOLOv8核心原理深度解析

最新发布

qq_41920323的博客

04-26

872

详细解析了yolov8的原理，包含了个人的理解，非常易懂。

OpenMMLab MMdetection 目标检测模型系例文章（一）

qq_41627642的博客

06-29

1256

1、是时候该学会 MMDetection 进阶之非典型操作技能（一） 2、显著提升模型精度！一文教你加载 MMRazor 轻量级骨干网络应用下游任务–以 MMYOLO 为例 3、MMDetection 支持数据增强神器 Simple Copy Paste 全过程 4、超 10 个点的提升！ Open Images 在 MMDetection 的实现 5、ResNet 高精度预训练模型在 MMDetection 中的最佳实践 6、YOLOX 在 MMDetection 中复现全流程解析 7、轻松掌握 MMD

coco_eval.py详解

毕竟是Shy哥

09-17

1174

【代码】coco_eval.py详解。

【YOLACT】代码解读

mjiansun的专栏

01-20

7683

源码：https://github.com/dbolya/yolact num_class是算上背景的类别，比如你的类别就一个person，那么记得此时的num_class应该为2，因为还需要算上背景啊。 YOLACT的网络结构及输出 YOLACT的backbone结构其中_make_layer就是常规的resnet101中的_make_layer，具体是如何操作的可以查看源码ht...

Yolact源码解析

Ken的博客

09-29

3565

eval.py文件数据加载 with timer.env('Load Data'): # img:(550, 550, 3) # gt:(3, 5)，3是3个物体，5是中心点，宽高，类别 # gt_mask: (3, 1080, 1920),1080*1920是加载的原图大小 # h, w:1080, 1920 # num_crowd:0 img, gt, gt_masks, h, w, num_crowd = dataset.pull_item(image_idx) # pull_it

为何Transformer在计算机视觉中如此受欢迎？

从未完美过的博客

02-15

681

在过去的大半年中，学术界视觉 Transformer 还涌现了大量变种，包括 DeiT [9]，LocalViT [10]，Twins [11]，PvT [12]，T2T-ViT [13], ViL [14]，CvT [15]，CSwin [16]，Focal Transformer [17]，Shuffle Transformer [18] 等。但是，在人工智能的不同子领域中，基本建模的方式各种各样，并不统一，例如：在自然语言处理（NLP）领域目前的主导建模网络是 Transformer；

Mask RCNN, Faster RCNN, Yolo3, SSD 在由Feature map生成坐标和类别数据的区别

hnshahao的专栏

08-04

2509

这里要总结一下这几个算法之间的区别，就是由feature map卷积到坐标数据和类别数据的过程，有什么区别

Win10下手把手教你Mask RCNN绘制PR曲线、计算mAP

hesongzefairy的博客

06-14

1万+

导航： 1. keras版的mask rcnn环境配置https://blog.youkuaiyun.com/hesongzefairy/article/details/104702119 2. keras版的mask rcnn训练自己的数据集https://blog.youkuaiyun.com/hesongzefairy/article/details/105738318 3.一文理解精确率Precision、召回率Recall以及ROC曲线https://blog.youkuaiyun.com/hesongzefairy/art.

深度学习及论文中相关术语解析

David's Tweet

01-18

4001

1、Model Capacity 模型拟合能力。 2、Generalization 泛化能力。一个网络的generalization能力是由网络的capacity和训练数据量共同决定的。网络capacity越大越能捕捉训练数据的细枝末节（高频），所以越容易overfit（在训练数据的高频noise上），从而generalization不佳。所以在训练数据无穷的极限条件下，网络的generalization能力与其capacity成正比。那么提高网络的泛化性能就可以理解为1. 增加训练数据；2.

论文学习笔记-YOLACT++

Custom自定义

12-18

5130

『写在前面』 YOLACT升级版。文章标题：《YOLACT++ Better Real-time Instance Segmentation》作者机构：Daniel Bolya等, University of California, Davis. 原文链接：https://arxiv.org/abs/1912.06218 相关repo：https://github.com/dbol...

Mask R-CNN 笔记

qq_24548569的博客

10-07

815

何恺明大神的Mask R-CNN获得ICCV最佳论文奖。Mask R-CNN通过扩展Faster R-CNN来实现实例分割，同时还可以用于人体关键点检测。语义分割 VS 实例分割首先说说语义分割和实例分割的区别。语义分割是分割不同类别，而实例分割在分割类别的同时分割类别的实例，通过下面的图片来更好地理解二者的区别实例分割比语义分割更难一些。 Mask R-CNN Architecture...

Box2D AS3游戏开发源码解析

标题所指向的知识点集中在Box2D和AS3（ActionScript 3）游戏开发上，而重复的标题和描述“box2d as3 游戏源码”暗示了这是一个关于使用Box2D物理引擎结合ActionScript 3编程语言进行游戏开发的源代码资源。Box2D是一...