神经网络mAP值计算及显示

参考：https://github.com/Cartucho/mAP#create-the-predicted-objects-files

训练得到自己的神经网络模型后，需要计算AP值来验证模型的好坏，本文介绍AP值计算的方法，最后效果如图所示：

具体步骤如下：

1 下载源码

git clone https://github.com/Cartucho/mAP

2 创建真实数据文件

利用labelImg标注工具生成的是*.xml标注文件，并且标注文件与图片一一对应，如有“picture1.jpg”的图片，就会有“picture1.xml”的标注文件。

在计算AP值的时候，需要将xml文件转化为txt文件，具体转化方法在extra文件夹中，运行convert_gt_xml.py文件即可完成转化

txt的数据格式如下

<class_name> <left> <top> <right> <bottom>

如"image_1.txt":

tvmonitor 2 10 173 238
book 439 157 556 241
book 437 246 518 351
pottedplant 272 190 316 259

将生成的文件放置在ground-truth文件夹下

3 移动图片

将对应的图片移动到images文件夹下，注意名字要与txt文件的名字一一对应

4 创建预测数据文件

将测试模型时的结果文件输出，主要要保存成新的格式，包括类别、置信度和四个坐标值，也保存成txt格式文件，保存在predicted文件夹下（注意predicted文件夹里边的文件格式与ground_truth文件夹里边的文件格式区别）

tvmonitor 0.471781 0 13 174 244
cup 0.414941 274 226 301 265
book 0.460851 429 219 528 247
bottle 0.287150 336 231 376 305
chair 0.292345 0 199 88 436

我这块运行的是tensorflow/object-detection的代码，配置流程可参考之前的文章，根据推理得到的结果，采用以下的方式进行转化

#其中一张图片推理及保存结果的代码示例
(boxes, scores, classes, num) = sess.run(
    [detection_boxes, detection_scores,
     detection_classes, num_detections],
    feed_dict={image_tensor: image_np_expanded})

#相关参数定义
max_boxes_to_draw = 30
min_score_thresh = .5
width = 1920
height = 1080
#如果是多种照片读一次就行
label_file = open(PATH_TO_LABELS)
label_lines = label_file.readlines()
label_file.close()

txt = open(SAVEDPATH + name + '.txt', 'w+')

for i in range(max_boxes_to_draw):
    if scores[0][i] > min_score_thresh:
        classes_num = int(classes[0][i])
        #去除括号和多余的空格
        box_clear = str(boxes[0][i]).replace('[', '').replace(']', '').replace(' ', '').replace('0.', ' 0.').replace(
            '1.', ' 1.')
        #print('box clear is ', box_clear)
        left = str(int(float(box_clear.split(' ', 4)[1]) * height))
        top = str(int(float(box_clear.split(' ', 4)[2]) * width))
        right = str(int(float(box_clear.split(' ', 4)[3]) * height))
        bottom = str(int(float(box_clear.split(' ', 4)[4]) * width))
        box_num = top + ' ' + left + ' ' + bottom + ' ' + right
        findresult = False

        #根据类别序号找到对应的类别名称
        for line in label_lines:
            if not findresult:
                try:
                    if classes_num == int(line.split('id:', 1)[1]):
                        findresult = True
                except:
                    continue
            else:
                classes_name = line.split('name:', 1)[1]
                classes_clear = eval(classes_name)
                #print('class name is ', classes_clear)
                break
        #将结果保存写入
        txt.write(str(classes_clear) + ' ' + str(scores[0][i]) + ' ' + box_num + '\n')
txt.close()

5 运行main.py

运行主程序，即可输出所需结果文件