mmdetection2 输出各类别Ap值

最新推荐文章于 2023-12-13 17:58:38 发布

明泽.

最新推荐文章于 2023-12-13 17:58:38 发布

阅读量3.1k

点赞数 5

文章标签： python

本文链接：https://blog.youkuaiyun.com/qq_36955294/article/details/116050158

版权

找到 "mmdetection/mmdet/datasets/coco.py" 371行

修改classwise=True,

如果想要IOU=0.5的各类AP值，那么请修改355行iou_thrs=[0.5],

正常训练和测试就会输出你想要的结果。

IoU=0.50意味着IoU大于0.5被认为是检测到，超出检测范围，所以Ap=-1

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

明泽.

关注关注

5
点赞
踩
12

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

MMdetection2测试voc数据获取precision

m0_61102347的博客

01-04

1989

在使用mmdetection时，测试voc数据集无法得到精度指标，只有recall和mAP，这里可以通过修改几行代码来获得precision指标修改后打印结果：代码修改修改mmdet/core/evaluation/mean_ap.py文件里的print_map_summary函数的5处代码，你可以直接复制这个函数，然后替换掉原来的函数。修改后的函数为： def print_map_summary(mean_ap, results,

mmdetection中在cocoapi打印每个类别指标

funky_Lelle的博客

11-18

2524

mmdetection中在cocoapi打印每个类别指标

2 条评论您还未登录，请先登录后发表或查看评论

mmdetection 目标检测测试时打印各类别准确率（AP），打印iou为0.5时各类AP

ZZZZ_Y_的博客

10-21

2862

mmdetection 目标检测测试时打印各类别准确率（AP），打印iou为0.5时各类AP

mmdection测试时显示coco数据集每个类别ap

FlowerStar314的博客

07-04

2713

需要改动mmdetection/mmdet/datasets/coco.py中的一行代码 # 307行 def evaluate(self, results, metric='bbox', logger=None, jsonfile_prefix=None, # 是否显示每个类别 classwise

mmdetection2计算每个类别的AP50

chao_xy的博客

05-04

944

修改mmdet/datasets/coco.py

DETR-like模型输出各类别AP值

pengxiang1998的博客

03-27

1964

而博主想要显示每个类别的的AP值，因此查询了相关资料发现，DETR类模型框架的AP值计算输出这块都是由pycocotools的coco.py和cocoeval.py负责完成的。

MMDetection——COCO格式数据集显示单类别AP

阿基美德的博客

07-30

2103

问题 COCO格式数据集如何在MMDetection中显示单类别AP 解决方案 1. 进入mmdet/datasets/coco.py 2. 修改363行中的evaluate函数参数：classwise=True 3. iou_thrs可根据自己的情况看是否修改，(输入需是包含float数据的List） def evaluate(self, results, metric='bbox',

mmdetection 模型评测指标

03-02

mmdetection的输出结果通常包括不同IoU阈值、不同目标尺寸（small, medium, large）下的AP和AR。例如： - `mAP.5:.95` 是整体的平均精确率，包括所有大小的目标。 - `mAP.5` 是IoU阈值为0.5时的平均精确率。 - `mAP...

【mmdetection】使用自定义的coco格式数据集进行训练及测试

热门推荐

YeeKo的博客

05-27

3万+

目录一、mmdetection简介二、环境安装1、安装教程2、运行demo测试环境是否安装成功三、训练自定义的dataset1、准备dataset2、Training前修改相关文件3、Training4、Testing 一、mmdetection简介项目仓库地址：https://github.com/open-mmlab/mmdetection 香港中文大学-商汤科技联合实验室开源了基于 PyT...

mmdetection 测试时获取precision指标

freshman_qaq的博客

03-14

5824

运行tool/test.py时，会调用mmdet/datasets/voc.py中的evaluate()函数计算AP值，而evaluate()又是调用mmdet/core/evalution/mean_ap.py中的eval_map()函数获取AP值。其实这个函数eval_map()也可以得到Recall和Precision，只是mmdetection的代码中没有这样处理。先看一下eval_map()返回的内容： mean_ap就是MAP值，另一个eval_results是一个存储字典的列表，存.

怎么看mmdetection版本_mmdetection使用指南

weixin_42105570的博客

01-13

2856

主要是目标检测方面的使用记录，mmdetection还有分类网络，分割等功能，但这篇博客主要关注目标检测，之后如果涉及到分割会再开一篇博客进行记录。1. 安装mmdetection需要的环境是cuda10.0为基础的环境，对驱动版本也有一定的要求，cuda8.0的我始终没有配通，主要的错误都是跟cuda相关的。具体安装过程参见：https://blog.youkuaiyun.com/DD_PP_JJ/arti...

【mmdetection】验证时AP为-1

小涛44的博客

03-20

3166

这和验证集里标注框面积有关，得检查自己的数据集如果数据框的都是比较小的，中型和大型的自然就没有，所以无法评判（从Github上的回答来看，源码里对于没有的就设置为-1）可见area= medium和area=large的AP值为-1，不知道是不是bug导致我的mAP很低，翻了一圈找到了以下解释，总算是弄懂了。那可能是coco数据集的json文件有问题了，在json2coco.py转换时area恒等于1了。那如果说确实有中大型的检测框，还是-1，那是为啥呢？验证的时候评价指标输出是酱紫的。

mmdetection多类目标训练查看单类准确率（AP）以及使用模型测试看结果（show）

qq_44442727的博客

07-23

1万+

本文主要是个人笔记，以后便于查询，也供借鉴。通常我们在mmdetection平台上就训练一类目标，训练过程中每跑完一个epoch就可以查看到该目标的0.5，0.75等阈值下的准确率，还有一个整体的mAP。但是，当你跑多类目标时，多个目标一起训练怎么看单类的准确率？mmdetection默认的设置是多类目标一起训练时，打印整体的准确率，如果要在训练和测试的时候查看单类的准确率，可以如下操作（以下操作的前提是已经训练起来了，相关多类训练的多类配置文件修改好了）：在mmdetection/mmdet/datas

mmyolo框架中计算各类别的AP@0.5指标

jiangqixing0728的博客

12-11

1850

本文所用的mmyolo版本:0.3.0首先要知道，mmyolo中在eval和test阶段进行指标计算的时候，对于COCO数据集默认用的就是mAP@0.5:0.95，即不同IoU阈值下的mAP计算，并且没有给出各类别的具体指标，如可以看出，只给了不同IoU下AP和AR的值，以及最后不同IoU下的mAP，当然也有针对small、medium、large下的指标，这一切都因为这是。而如果我们需要训练我们自己的任务场景，比如，就不需要这些东西，我们需要的是：1.各个类别的AP值。

mmdetection代码解析（1）train.py

洪流之源

07-29

8275

#coding=utf-8 from __future__ import division import argparse import os from mmcv import Config from mmdet import __version__ from mmdet.datasets import get_dataset from mmdet.apis import (train_d...

MMDetection系列 | 3. MMDetection自定义模型训练

Clichong

09-11

3012

在去年MLP-Mixer出来之后，出现过一段短时间内的高潮，我也将相关的MLP结构全部的复现了一遍。不过当时苦于只能跑分类数据集，不能简单的将网络结构移植到其他的下游任务，只能作罢。后来了解了MMDetection，这个一个集成的开源目标检测框架。主旨是让我们能够比较方便的测试我们自己设计的结构。不过，缺点就是，框架封装得太多，不好细改，也难以调试。但是优点是替换结构方便。网上关于MMDetection的资料还比较少，这篇博客也算是我踩了比较多的坑多得到的结果。

用商汤的mmdetection 学习目标检测中的 Recalls, Precisions, AP, mAP 算法 Part2

史蒂夫方

08-21

4757

还没看part1 的请移步用商汤的mmdetection 学习目标检测中的 Recalls, Precisions, AP, mAP 算法 Part1 好的，在part1 中·我们已经求的了TP 以及 FP，也就是检测出的所有可能（无论是对的还是错的）我们先整理一下求到的值，一共是两类 label1 和 label2 人和汽车类第一类 label 1 ：人还记得我们对于第一类总共检测...

DETR类模型COCO训练结果异常，评测AP=0解决方案记录

qq_36396406的博客

12-13

2504

接着我想到了我在coco_minitrain上只实验过1enc+4dec与3enc+6dec的缩水版模型（为了快速验证，hidden_dim与num_query均也有相应调小），于是猜测是不是完整的6enc+6dec难收敛的问题，于是我将1enc+4dec与3enc+6dec在完整COCO上实验，发现能得到正常的结果。因为之前的1enc+4dec与3enc+6dec的缩水版模型的参数量相对较小，我将其bs分别调整为8与4，对于3080TI 12G，这刚好能卡到显存上限。由此看来，bs似乎就是那个罪魁祸首。

Mean AP=-1

重剑无锋博客

11-04

803

如图缺少test测试集的原因

mmdetection输出PR曲线

最新发布

03-27

<think>好的，我现在需要解决用户关于如何在mmdetection中生成PR曲线的问题。首先，我得回忆一下mmdetection的相关知识，特别是关于评估和绘图的模块。用户提到了mmdetection_plot_pr_curve这个扩展，所以可能需要先检查这个工具的使用方法。根据用户提供的引用内容，引用[2]提到了mmdetection_plot_pr_curve项目，地址是https://gitcode.com/gh_mirrors/mm/mmdetection_plot_pr_curve。这可能是一个第三方扩展，需要先安装或者克隆代码库。另外，引用[3]中有安装MMCV和MMDetection的步骤，用户可能需要先正确安装这些依赖。接下来，用户需要的是生成PR曲线的示例代码。通常，mmdetection本身通过COCO API进行评估，可以生成包含PR曲线的结果，但可能需要额外的步骤来可视化。mmdetection_plot_pr_curve可能提供了直接绘制PR曲线的工具，所以需要查看该项目的文档或示例代码。我应该分步骤来引导用户：首先安装必要的库和扩展，然后准备配置文件和数据，运行测试得到结果文件，最后使用工具绘制PR曲线。需要注意的是，用户可能需要根据自己模型的配置文件和检查点路径进行调整。同时，要确保用户正确安装了mmcv-full和mmdetection，引用的安装命令来自引用[3]。可能还需要安装matplotlib等绘图库。此外，生成的PR曲线可能需要保存为图片文件，这需要在代码中指定输出路径。还要考虑用户可能遇到的常见问题，比如路径错误、依赖版本不兼容等，可能需要提醒用户检查文件路径是否正确，以及确保所有库的版本匹配。例如，确保mmcv-full与安装的PyTorch版本对应，如引用[3]中的例子是基于torch1.12.1的CPU版本。最后，可能需要生成相关问题，比如如何调整PR曲线的样式，如何分析曲线结果，或者如何处理多类别的PR曲线，这些都可以作为后续问题，帮助用户更深入地理解。</think>以下是使用MMDetection生成PR曲线的详细步骤及示例代码： ### 步骤1：安装必要依赖 ```bash # 安装MMCV（需与torch版本对应） pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cpu/torch1.12.1/index.html # 安装绘图扩展库 pip install matplotlib ``` ### 步骤2：准备配置文件创建配置文件`configs/my_config.py`，需包含评估参数： ```python # 在test配置段添加 test_evaluator = dict( type='CocoMetric', metric=['bbox'], format_only=False, ann_file='data/coco/annotations/instances_val2017.json', outfile_prefix='./work_dirs/coco_detection/my_results') ``` ### 步骤3：生成测试结果 ```python from mmdet.apis import init_detector, inference_detector import mmcv config_file = 'configs/my_config.py' checkpoint_file = 'checkpoints/my_model.pth' # 初始化模型 model = init_detector(config_file, checkpoint_file, device='cpu') # 运行测试集推理 results = inference_detector(model, mmcv.list_from_file('data/coco/val.txt')) # 保存结果文件 mmcv.dump(results, 'results.pkl') ``` ### 步骤4：绘制PR曲线使用扩展工具绘制曲线： ```python from mmdet_plot_pr_curve import plot_pr_curve # 绘制指定类别的PR曲线 plot_pr_curve( config_file='configs/my_config.py', prediction_path='results.pkl', metric_type='bbox', # 检测任务类型 class_index=0, # 类别索引（0表示第一类） output_dir='./output') ``` ### 关键参数说明： 1. `ann_file`：验证集标注文件路径[^3] 2. `class_index`：COCO数据集的类别索引（0-80对应80个类别） 3. `output_dir`：曲线图保存路径生成的PR曲线图将包含精确率-召回率曲线和AP值标注，输出效果类似： $$ P = \frac{TP}{TP+FP},\quad R = \frac{TP}{TP+FN} $$