YOLOv4计算Map命令

最新推荐文章于 2024-04-28 20:20:41 发布
原创 最新推荐文章于 2024-04-28 20:20:41 发布 · 3.1k 阅读 · 10 ·
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：

#深度学习

本文介绍了如何在修改过的voc.data配置文件和自定义权重文件下，使用AlexyAB的模型训练后的Darknet进行对象检测，并展示了运行结果图。
部署运行你感兴趣的模型镜像

使用的版本是AlexyAB的模型，训练完成后在darknet目录下运行下列命令行

xxx@xxx:~/darknet$ ./darknet detector map./cfg/voc.data cfg/yolov4.cfg backup/yolo-obj_last.weights

注意：其中voc.data我是修改过内容的，可以根据自己的文件夹名称替换。另外yolo-obj_last.weights是在backup目录下，名称也是实现自定义好的，根据自己的文件名进行修改，也可以使用best.weights。

运行结果图如下：
结果图

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型，相比 3.0 版本，它提升了图像质量、运行速度和硬件效率

布什先生.
关注
YoloV4代码以及部分权重文件
04-24
yolov4代码以及部分权重 yolov3-微小-prn.cfg - 33.1％mAP@0.5 - 370（R）FPS - 3.5 BFlops - 18.8 MB：yolov3-微小-prn.weights ENET-coco.cfg（EfficientNetB0-Yolov3） - 45.5％mAP@0.5 - 55（R）FPS - 3.7 BFlops - 18.3 MB：enetb0-coco_final.weights
yolov4-conv-137 和 yolov4-weights
05-07
yolov4: yolov4-conv-137 预训练模型 + yolov4 作者训练好的模型 不想花积分的，可以去这个链接直接下载：https://blog.youkuaiyun.com/baobei0112/article/details/105971290
yolov4如何计算map
web13618542420的博客
04-27 1473
如果用的是AlexyAB版的darknet训练和测试，很简单，训练完后在darknet.exe同级文件夹中运行： ./darknet detector map D:/yolov4/darknet-master/cfg/voc.data D:/yolov4/darknet-master/cfg/yolov4.cfg D:/yolov4/darknet-master/backup/yolov4_last.weights 就行了。 方法二：把上面的参数map换成valid，运行，然后再运行一个python脚本，这
YOLO v4训练自己数据集，计算mAP
qq_41264992的博客
10-19 3542
步骤：准备数据集->(resize成416 x 416)用Labelimg画标签->将xml文件转化为txt文件，用voc_annotation.py生成2007_train.txt文件（文件信息：绝对路径+图片所包含的目标信息）； 需要修改的地方：voc_annotation.py下classes=[“自己数据集要分的种类”]， train.py下的先再model_data下新建txt文件放入我们分的种类，classes_path=“新建的txt文件”；别忘了权重文件.h5 yolo.py下m
Darket yolov3 MAP计算
weixin_44769034的博客
03-27 3711
mAP计算代码链接： https://github.com/Cartucho/mAP 在\mAP-master\input目录下有三个文件夹，如图。我们需将每个文件夹下的文件替换为自己的数据集所对应的文件。 1.detection-results文件夹 此文件夹下存放yolov3测试所生成的文本文件。 1.1测试命令及结果文件 darknet.exe detector valid data/train5bottle.data yolov3-bottle.cfg backup/yolov3-bottle_l
YOLOv3 mAP计算教程
热门推荐
阿木寺的博客
08-10 3万+
前言 本文只介绍如何利用YOLOv3训练好的model来计算VOC数据集的mAP。 举一反三，很容易理解如何利用自己训练的model来计算自己的数据集的mAP。 1 运行detector valid命令，进行测试 ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/VOC/yolov3-voc_final.we...
怎么知道你训练的靠不靠谱？yolov3的mAP计算教程来了
Andrwin的博客
07-09 1373
都2020年了还有人写python2的求解教程，python2都快停止维护了好嘛？ 本教程针对darknet版本的yolov3进行计算mAP 第一步：通过darknet valid命令计算yolo3推断结果 在这之前你要在xxx.data里面配置vaild那一条的路径，是一个全是文件名不包含后缀和路径的txt文档，如果你按照标准流程训练的yolo3一定会有这个东西 ./darknet detector valid cfg/voc.data cfg/yolo3-spp.cfg backup/yolo
yolov3计算map及召回率
evil_xue的博客
12-22 7929
一.计算单类精度及mAP 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...
Yolov3-Darknet版本计算mAP
Sunny_Darker的博客
12-28 2552
题记：之期训练了YOLOv3模型，详见博文Darknet-Yolov3训练自己的数据，现需要对其评估，计算其mAP值。 一、修改cfg文件 将my_yolov3-voc.cfg文件修改成测试模式： PS:这里看大部分博文都是说打开测试模式，但是我发现训练模式也可以出结果。 二、修改测试集路径： 修改my_voc.data中的valid路径：改成自己要测试路径，具体文件格式见题记中提到的博文，其中有详细介绍。 三、运行detector的valid命令： 1、将以下命令里的文件换成自己的文
Paddle-YOLOv4:Paddle-YOLOv4,supports training, at least 41.1% mAP.支持训练，至少41.1%mAP。少数的给出精度的复现
05-07
| 简体中文 Paddle-YOLOv4 概述 Paddle-YOLOv4,参考自 和 推荐 本项目已经开源到AIStudio中，可直接跑： 咩酱刷屏时刻 Keras版YOLOv3: Pytorch版YOLOv3： PaddlePaddle版YOLOv3： PaddlePaddle完美复刻版版yolact: yolov3魔改成yolact: Keras版YOLOv4: (mAP 41%+) Pytorch版YOLOv4: (mAP 41%+) Paddle版YOLOv4： (mAP 41%+) Keras版SOLO: https://github.com/miemie2013/Keras-SOLO Paddle版SOLO: https://github.com/miemie2013/Paddle-SOLO Pytorch版FCOS: https://github.com/miem
在 精度检查器工具中添加 DIoU-NMS 指标，以获取 YOLO v4 的正确 mAP
英特尔开发人员专区
11-12 3662
1.0 简介 Yolov4 模型于 2020 年中期推出，它的问世对深度学习目标检测领域产生了深远影响。为 取得成功，Yolov4 集成了许多一流的技术，其中包括改进的非极大值抑制 (NMS) 算法， 该算法使用距离交并比 (DIoU) 而非交并比 (IoU)。DIoU 总结了边界框回归中的两个几何因 素（即重叠区域和中心点距离），从而加快了收敛速度并提升了性能。 在本白皮书中，DIoU-NMS 函数将被添加到 OpenVINO™ 精度检查器工具中，以用于计算 yolov4 的正确预期精度。尽管 DIoU-
yolov4根据权重文件查看map命令
weixin_42312323的博客
11-10 1662
./darknet detector map ./cfg/gloves_voc.data cfg/gloves_yolov4.cfg backup/gloves_yolov4_best.weights
YOLOv4~tiny
whaosoft143ai的博客
09-24 2354
因此，该方法可以提高复杂场景下交通标志识别的准确性，满足智能车辆对交通标志识别任务的实时性要求。更具体地说，基于单目摄像机的视觉系统以视频或图像的形式捕捉车辆行驶道路环境中的信息，然后将信息传递给交通标志检测器，交通标志检测器通过视觉系统给出的视频序列检测行驶环境中是否存在交通标志。交通标志检测系统的职责是检测驾驶环境中是否存在交通标志。我们就提出了一种基于增强型YOLOv4-MINI的中国交通标志检测算法，该算法可以更有效地促进不同级别信息的传输和共享，通过优化网络来提高算法的检测精度并确保其检测速度。
YOLOv4
Fredzj的博客
07-11 914
本篇是对YOLOv4进行一个总结和分析。
YoloV4训练自己的数据集(四)
weixin_45718019的博客
01-09 1964
前文已经建立了自己的数据集并且进行了划分。本文主要介绍如何使用自己的数据集进行训练。 1.修改配置文件 1.修改darknet目录下data文件夹中的配置文件： 在data文件夹中找到voc.names文件，里边存放的是需要分类的物体的名字， 根据自己的情况修改，我把其中的文件内容修改为： 2.修改darknet目录下cfg文件夹中的配置文件： 在cfg文件夹中找到voc.data文件， 打开之后把其中的文件内容修改为： classes= 1 //此处是你想要分类的类别数量
darknet-yolov4的训练(linux)+imgaug数据增强
scb的博客
12-31 1026
参考文章:https://www.cnblogs.com/pprp/p/9525508.html 如果成功遍历caffe后,编译darknet就很方便,而且caffe的编译与darknet 不相互影响 a.数据集的安排,在darknet根目录下放置如下文件夹 VOCdevkit | VOC2007 | Annotations 把所有的xml放入该文件夹 | JPEGImages 放置所有测试文件 | ImageSets | Main | train.txt | val.txt |
使用yolov4模型训练数据集
最新发布
2303_78263643的博客
04-28 1117
cfg数据集的准备数据集的处理修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。开始网络训练train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。训练结果预测训练结果预测需要用到两个文件，分别是yolo.py和predict.py。
yolov5计算测试集map50
08-23
最后，我们根据筛选后的预测框与标签之间的匹配程度计算MAP50。MAP50的计算方法是将测试集中每个类别的AP（平均准确率）计算平均并加权，其中AP是通过计算每个类别在不同召回率下的准确率得到的。 总的来说，YOLOv5...
评论 4
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