YOLOv3 mAP计算——之不用voc_eval——之没有xml只有txt标签

最新推荐文章于 2022-03-27 15:19:59 发布
原创 最新推荐文章于 2022-03-27 15:19:59 发布 · 2.4k 阅读 · 2 ·
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：

#Yolov3 #mAP计算 #不用xml标签 #不用voc_eval

本文介绍了一种简便方法，用于解决从TXT标签转换为VOC格式进行mAP计算的问题，避免了复杂的代码修改过程，只需调整darknet.exe目录下的calc_mAP.cmd文件，即可轻松完成模型评估。

**废话：**因为偷懒，之前找到个方法直接生成了txt标签，然后实验到了测试模型mAP的时候，查到的全都是voc_eval.py文件来计算，这时候出现个问题，我没有xml标签文件，只有txt标签，然后我很痛苦。分析了一下最大的问题是xml标签框是xmin,xmax,ymin,ymax，而txt标签框是xcenter,ycenter,w,h，那么就要去voc_eval中抓取分析xml的函数来修改，即parse_函数，把解析xml的内容全部改成txt的读取，但是你的object输出还是得按xml来输出，明白我意思吧！这时候就考验你代码能力了。另外还要想办法把你的txt类名（0，1，2，3…）想办法匹配。妈哦。。。
之前脑抽尝试去detector.c文件去把validate_detector文件修改下输出格式，然后用pandas来抓数据什么什么鬼，然后突然发现validate_detector_map这个函数，一开始不晓得是什么来的，久了才发现。。。。

***正文***超简单！！！！超简单！！！！我透了研究了两天！！！！才发现这个神器！！！！
到darknet.exe的目录下，找到calc_mAP.cmd，修改里面data、cfg和权重运行即可。
不知道怎么修改的，用notepad打开，再懒点把后缀名改成txt，然后打开修改保存后，后缀名改回cmd，运行即可。

YOLOV3计算map（keras）
weixin_42990953的博客
03-29 3644
小白参考了几位大佬的博客，记录一下防止忘了，然后自己进行了相应修改，实现计算VOC格式数据集测试集map或者自定义测试集两种功能。 前言 1.MAP相关概念 https://blog.youkuaiyun.com/plSong_优快云/article/details/89459175 2.MAP计算源码地址：https://github.com/Cartucho/mAP MAP计算 参考博客https://...
yolo模型(三)计算mAP时的voc_eval.py代码
xue_csdn的博客
07-11 3115
在我的博客yolo模型(二)yolo模型计算mAP和recall中，有提到计算yolo模型的mAP方法，其中用到了faster rcnn 中voc_eval.py文件。但如果你机器上没有配置过faster rcnn，可以直接参考复制以下代码（从voc_eval.py文件直接粘贴过来的）。拿走不谢~ # ------------------------------------------------...
yolov3训练自己的数据集
A1871160的博客
12-30 478
yolov3训练自己的数据集从图片和xml的保存，到训练可能的报错进行改进和防止报错 从图片和xml的保存，到训练 保存地址随便，但图片名，要和xml的命名对应。因为convert_to_txt.py文件是以xml的命名为切分，而voc_annotation.py文件是以convert_to_txt.py生成的文件来遍历生成文件。 下面是详细步骤： 1，图片保存 在convert_to_txt.py调整自己的路径，和生成文件的路径，自己记得就行， 然后运行。就生成了如下 然后执行voc_annotati
yolov3 map、recall、p-r曲线可视化超详细
01-20
1 、运行darknet官方代码中的detector valid指令，生成对测试集的检测结果。 .\darknet detector valid -out “” 其中voc.data和cfg文件就是你当时训练用的配置文件，weights文件就是你训练出来的结果，其中需要修改的是voc.data文件，其中应该是有五行的，其中第三行是valid就是需要验证测试集的路径。 2、执行完之后应该会在程序的当前目录生成一个results文件夹，里面存有检测结果，文件名为comp4_det_test_.txt，画风如下所示。 txt中数据格式为: 文件名 置信度 x y w h。 3、下载检测用脚本
yolov3计算mAP，十分简单！
低吟浅笑
03-28 2429
本文只是将大家讲的计算mAP步骤总结一下，方便自己下次学习总结。 1.对测试集生成检测结果文件： ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/VOC/yolov3-voc_final.weights -out "" -gpu 0 -thresh .5 ./darknet detector valid ...
yolov3 官网文档 设计到编译，训练，map等参数测试，windows和linux均有说明
qq_31904559的博客
12-14 1758
GitHub原文：https://github.com/AlexeyAB/darknet#how-to-compile-on-linux 参考博客原址：https://blog.youkuaiyun.com/qq_34806812/article/details/81385163 Yolo-v3 and Yolo-v2 ...
深度学习模型评估指标：mAP计方法与voc_eval.py源码解读
北溟客的博客
06-23 2672
voc_eval.py源码解读1.mAP基本计算原理2.源码分析voc_eval函数parse_rec函数voc_ap函数3.precision-recall图分析 我们在上一篇文章《YOLOv3计算自己数据集训练模型的mAP》中介绍了使用valid计算出来验证集的检测结果结果，存于results文件，然后voc_eval函数计算mAP的操作方法。但是voc_eval函数的计算原理是什么？作者是如何通过代码实现的呢？本文尝试进行一个分析介绍。 1.mAP基本计算原理 mAP是mean Average Pre
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...
Faster-Rcnn中voc_eval.py计算AP代码详解
winnerziqi的博客
01-27 1333
# -------------------------------------------------------- # Fast/er R-CNN # Licensed under The MIT License [see LICENSE for details] # Written by Bharath Hariharan # -------------------------------------------------------- from __future__ import absolute_
YOLOv3 mAP计算（Python3实现）
王叔叔
11-24 3032
在网上看到的都是用Python2计算ap的，用pyhton3的话，需要改几个地方 主要是一个模块的使用问题，Python2 里面是 import cPickle 而Python3 里面改成了 pickle， 使用时这样 import pickle 代码里面用到的地方也要改 116和120行（不是的话，自己找一下） 另外就是这个模块里面函数dump() 和load()的使用，无论写入or加载都是...
绘制yolov3 P-R曲线的脚本voc_eval.py
12-04
能够进行绘制yolov3算法模型P-R曲线的脚本voc_eval.py，在python2环境下运行。
用于yolo计算mAP和PR曲线使用
10-19
用于yolo计算mAP和PR曲线使用，里面有4个python文件，分为python2和python3版本
绘制yolov3 P-R曲线的脚本voc_eval_py3.py
12-04
能够进行绘制yolov3算法模型P-R曲线的脚本voc_eval_py3.py，在python3环境下运行。
darknet yolov3 mAP 计算python3代码
09-23
基于darknet，划分的数据集，在使用trans数据训练出模型后，使用test数据集，测试模型性能，计算mAP指数。
yoloV3 voc_label.py
05-05
yoloV3 voc_label.py!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
Darket yolov3 MAP计算
weixin_44769034的博客
03-27 3692
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
qq_40297851的博客
06-28 1466
1.代码 作者原版 git clone https://github.com/pjreddie/darknet.git 本文的代码包： 链接: https://pan.baidu.com/s/1O6YCyJLKXH9MrqnLAYmlug 提取码: dj4g 2.生成测试结果 2.1 修改data文件 我这里把所有数据都训练了，为了统计训练的map，所以valid 的路径也放的是train路径 train.txt 内容 2.2 测试命令及结果文件 命令 # 对应调整 ...
论文翻译—YOLOv3
FlyDremever
12-04 864
YOLOv3: An Incremental Improvement Abstract   我们向YOLO提供一些更新！我们做了一些小的设计和更改以使其更好。我们还训练了相当庞大的新网络。比上次要大一点，但更准确。不过速度还是很快的，请放心。在320×320的速度下，YOLOv3以28.2mAP的速度在22 ms内运行，与SSD一样精确，但速度快了三倍。当我们查看 0.5 IOU mAP检测指标,YOLOv3是相当不错的。在Titan X上，它在51毫秒内可达到57.9 AP50AP_{50}AP50​，
Yolov3中xmin,ymin,xmax,ymax的疑惑
Bone_yy的博客
05-09 1939
最近在看yolov3，看是Keras版本的，其中关于在model.py中出现的xmin,ymin,xmax,ymax有不解的地方，希望和大佬们讨论讨论 看很多帖子上，有的写这是代表框左上右下的坐标，也有的说左下右上的坐标，就很迷糊？ 在model.py中yolo_correct_boxes函数中有这样几条语句 box_mins = box_yx - (box_hw / 2.) box_maxes = box_yx + (box_hw / 2.) 其中box_yx代表的是框中心坐标，bo
yolov11计算测试集map
最新发布
06-30
<think>我们正在讨论如何计算YOLOv11模型在测试集上的mAP（meanAverage Precision）值。注意：实际上YOLO系列目前（截至2023年）官方版本只到YOLOv8，YOLOv11可能是用户笔误或某个非官方版本。但计算mAP的方法是通用的。计算mAP的步骤通常如下：1.准备测试集：确保测试集有真实的标注（ground truth），并且格式与模型训练时使用的格式一致（如COCO格式或PASCAL VOC格式）。2.使用模型进行推理：在测试集上运行模型，得到每个图像的预测结果（边界框、类别置信度、类别标签）。3.收集所有预测结果和真实标注：将整个测试集的所有预测结果和真实标注保存起来，用于后续计算。4.计算每个类别的AP（AveragePrecision）：-对于每个类别，将所有的预测框按照置信度从高到低排序。-计算每个置信度阈值下的精确率（Precision）和召回率（Recall）。-绘制PR曲线（Precision-Recall曲线）。-计算PR曲线下的面积，即AP（通常采用插值方法，如COCO使用101个点插值，VOC使用11点插值）。5.计算mAP：对所有类别的AP取平均值。具体到YOLO模型，我们可以使用现有的工具来简化计算。例如，YOLOv5和YOLOv8等官方版本通常自带计算mAP的脚本。如果YOLOv11是基于YOLOv5的，那么我们可以使用类似的步骤。参考引用[1]和[2]中提到了在COCO数据集上的实验，我们可以使用COCO评估工具来计算mAP。COCO的mAP有多个指标，如mAP@0.5、mAP@0.5:0.95等。步骤详解：1. **准备测试集标注**：测试集的标注文件通常为JSON格式（COCO格式）或XML格式（VOC格式）。以COCO格式为例，需要有一个包含所有图像的真实标注的JSON文件。2. **运行模型得到预测结果**：使用训练好的模型在测试集上运行，并将预测结果保存为COCO预测格式的JSON文件。预测结果JSON文件应包含每个预测框的坐标（通常是左上角坐标和宽高，或边界框的四个角点坐标）、置信度、类别标签和对应的图像ID。3. **使用COCO评估工具**：下载COCO评估的Python API（pycocotools），然后调用其评估函数。示例代码（使用pycocotools）：```pythonfrompycocotools.coco importCOCOfrompycocotools.cocoeval importCOCOeval#加载真实标注coco_gt =COCO(annotation_file)# annotation_file是测试集标注的路径#加载模型预测结果coco_dt= coco_gt.loadRes(prediction_file)# prediction_file是模型预测结果的路径#创建评估对象coco_eval =COCOeval(coco_gt,coco_dt, &#39;bbox&#39;)#选择评估边界框检测#运行评估coco_eval.evaluate() coco_eval.accumulate() coco_eval.summarize()#输出mAP值，如mAP@0.5:0.95和mAP@0.5```其中，`annotation_file`是测试集标注的JSON文件，`prediction_file`是模型预测结果的JSON文件（格式必须符合COCO要求）。4.**预测结果文件格式**：预测结果JSON文件应该是一个列表，每个元素是一个字典，代表一个预测框。字典包含以下字段：- `image_id`:整型，图像ID（与标注文件中的图像ID对应）- `category_id`:整型，类别ID（与标注文件中的类别ID对应）-`bbox`:列表，格式为[x,y,width,height]（注意：x,y是边界框左上角的坐标）-`score`:浮点数，置信度5. **注意**：如果模型在训练时使用了不同的类别映射，需要确保预测结果中的类别ID与标注文件中的类别ID一致。如果用户使用的是自定义数据集，并且不是COCO格式，那么可能需要先转换成COCO格式，或者使用其他评估工具（如Pascal VOC格式的评估工具）。另外，如果用户使用的YOLOv11模型是基于YOLOv5的，那么可以直接使用YOLOv5自带的`val.py`脚本，该脚本可以计算mAP。使用方法如下：```bashpythonval.py--datadata.yaml--weightsyolov11.pt --img640--iou0.5--tasktest```其中，`data.yaml`是数据集配置文件，需要指定测试集的路径和类别信息；`weights`是训练好的模型权重；`img`是输入图像尺寸；`iou`是用于计算mAP的IoU阈值（也可以指定多个阈值）；`task`设置为test。在运行后，脚本会输出各种指标，包括mAP@0.5和mAP@0.5:0.95等。总结：计算YOLOv11模型在测试集上的mAP值，关键在于准备测试集标注、运行模型得到预测结果、然后使用评估工具（如pycocotools或YOLO自带的评估脚本）计算mAP。相关问题：1.如何准备COCO格式的测试集标注文件？2.如何将YOLO模型的预测结果转换为COCO评估所需的JSON格式？3. mAP计算中的IoU阈值如何影响最终结果？4.除了mAP，还有哪些目标检测的评估指标？</think>### 如何计算 YOLOv11 模型在测试集上的 mAP 值 计算目标检测模型（如 YOLOv11）的 mAP（mean Average Precision）值需要以下步骤： #### 1. **准备测试集和模型输出** - 确保测试集包含**真实标注**（ground truth），格式为每个图像的边界框坐标和类别标签 - 运行 YOLOv11 模型得到**预测结果**，包含： - 预测边界框坐标 - 类别标签 - 置信度分数（confidence score） - 保存预测结果为标准格式（如 COCO JSON 格式）[^1] #### 2. **计算 IoU（交并比）** 对每个预测框计算其与所有真实框的 IoU： $$ \text{IoU} = \frac{\text{预测框} \cap \text{真实框}}{\text{预测框} \cup \text{真实框}} $$ - IoU ≥ 0.5 通常视为正确检测（TP），否则为误检（FP） - 未匹配的真实框视为漏检（FN） #### 3. **按类别计算 AP（Average Precision）** 对每个类别独立处理： - **步骤 1**：按置信度降序排列所有预测框 - **步骤 2**：计算不同召回率下的精确率 - 召回率 $R = \frac{TP}{TP + FN}$ - 精确率 $P = \frac{TP}{TP + FP}$ - **步骤 3**：绘制 P-R 曲线并计算曲线下面积（AP） $$ \text{AP} = \int_0^1 P(R) dR $$ - 实际计算中通常采用插值法（如 COCO 的 101 点插值）[^1] #### 4. **计算 mAP** - 对所有类别的 AP 取平均值： $$ \text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i $$ - $N$ 为类别总数 - **关键变体**： - `mAP@0.5`：IoU 阈值为 0.5 - `mAP@0.5:0.95`：IoU 从 0.5 到 0.95（步长 0.05）的平均值[^3] #### 5. **使用评估工具（推荐）** - **COCO API**（最常用）： ```python from pycocotools.coco import COCO from pycocotools.cocoeval import COCOeval # 加载标注和预测结果 coco_gt = COCO("annotations/instances_val2017.json") # 真实标注 coco_dt = coco_gt.loadRes("yolov11_predictions.json") # 模型预测 # 计算 mAP coco_eval = COCOeval(coco_gt, coco_dt, &#39;bbox&#39;) coco_eval.evaluate() coco_eval.accumulate() coco_eval.summarize() # 输出 mAP@0.5 和 mAP@0.5:0.95 ``` - **YOLO 内置脚本**： ```bash python val.py --data coco.yaml --weights yolov11.pt --iou 0.5 ``` #### 注意事项 1. **数据格式对齐**：预测结果需与真实标注使用相同的类别 ID 和坐标格式（COCO 格式为 `[x_min, y_min, width, height]`） 2. **置信度阈值**：通常默认 0.001，可通过 `--conf-thres` 调整（影响召回率） 3. **重复框处理**：使用 NMS（非极大抑制）过滤重叠预测框，YOLO 默认 IoU 阈值为 0.5[^3] 4. **硬件要求**：测试需在 GPU 环境进行以保证速度 > 示例输出（参考 YOLOv5 结果）： > ``` > Class Images Instances P R mAP@0.5 mAP@0.5:0.95 > all 5000 36335 0.67 0.595 0.634 0.412 > ``` > 其中 `mAP@0.5=0.634`, `mAP@0.5:0.95=0.412`[^3]
评论 6
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