YOLOv3使用笔记——计算mAP、recall

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函数。将训练集的检测结果保存到detect_result.txt。

其中thresh在validate_detector中默认为0.005，按需修改。

修改txt文件名为检测的类别名，我的标签是person，即person.txt

 

2.使用py-faster-rcnn下的voc_eval.py计算mAP

将py-faster-rcnn/lib/datasets/voc_eval.py拷贝到darknet根目录

新建compute_mAP.py

from voc_eval import voc_eval

print voc_eval('/xxx/darknet/results/{}.txt', '/xxx/darknet/scripts/VOCdevkit/VOC2007/Annotations/{}.xml', '/xxx/darknet/scripts/VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'person', '.')

重复执行需要删除 ./darknet/annots.pkl

执行python compute_mAP.py，voc_eval.py中返回的最后一个值即AP，检测单类就是mAP

 

3.计算recall

修改detector.c下的validate_detector_recall函数

替换list *plist = get_paths("data/coco_val_5k.list");为list *plist=get_paths("scripts/train.txt");自己的训练集文本

./darknet detector recall cfg/voc.data cfg/yolov3-voc.cfg results/yolov3-voc_final.weights

最后一列为recall值。

计算IOU为NAN的问题，替换for(k = 0; k < l.w*l.h*l.n; ++k)为for(k = 0; k < nboxes; ++k)，重编译执行。

 

 

 

 

 

参考

https://blog.csdn.net/mieleizhi0522/article/details/79989754

https://blog.csdn.net/northeastsqure/article/details/54848665