MMdetection增加评估指标precision

最新推荐文章于 2024-03-19 10:35:08 发布
最新推荐文章于 2024-03-19 10:35:08 发布
阅读量2.1k 收藏 26
点赞数 4
分类专栏： 深度学习小白之路 文章标签： 目标检测 深度学习 人工智能
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。
本文链接：https://blog.csdn.net/ghostype/article/details/125141764
版权

目标：

mmdetection的VOC数据集检测时不显示precision

修改后的检测效果
请添加图片描述

方法：

1.mmdet/core/evaluation/mean_ap.py
提示：这里可以添加要学的内容
在这里插入图片描述

2.模仿recall 增加 precision
在这里插入图片描述3.在header，f{},table_data.append,增加
heade

ghostype
关注
  • 4
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
专栏目录
（详细教程）mmdetection训练自己的模型，测试，评估
若风的博客
01-16 3万+
1. 简介 商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN，Cascade-RCNN等主流目标检测框架。可以快速部署自己的模型。 2.环境要求 Linux (不支持windows) Python 3.5+ >=PyTorch...
mmdetection 测试时获取precision指标
freshman_qaq的博客
03-14 5166
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.
mmdetection 模型评测指标
03-02
1. mmdet 默认使用的是coco格式的数据集，算法训练模型也是使用的coco格式训练数据； 2. 评测指标同样使用COCO数据集的评测指标，指标如下： 3. 算法评测参数： bbox  —— 目标检测框 segm —— 目标分割结果 4.  模型的判断标准有AP（平均精确率） 和AR（平均召回率） 两大类，在机械臂项目中，主要依据AP 来进行评测。 MAP  ——   mean Average Precision, 即各类别AP的平均值 AP50  ——  IOU 阈值设置成0.5时的AP值，也可协作mAP.5 mAP.5:.95 ——  mAP@[.5:.95](mAP@[.5,.95]) 表示在阈值区间 [0.5, 0.95]，步长为0.5的平均mAP 。IoU thresholds, from 0.5 to 0.95, step 0.05 (0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.9
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 4303
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...
MMDetection评价标准mAP,Precision,Recall,FPS,FLOPs
珺毅同学的博客
03-19 1137
利用MMDetection已训练出来的权重，分析目标检测各项重要评价指标，mAP，Precision，Recall，FPS，FLOPs
mmdetection v2.x模型训练与测试
女神sha手的博客
08-18 1066
因为工作关系，接触到了mmdetection。它是商汤科技和香港中文大学开源的一款基于pytorch底层的目标检测工具箱，隶属于mmlab项目。 mmdetection 2.7文件结构。其中configs文件夹下为网络模型文件，checkpoints文件夹下为模型权重文件(.pth) 1. 模型训练 在模型训练之前，要先配置好参数。配置参数是通过修改文件的方式完成的，主要包括三部分：配置数据，配置模型和配置训练策略。下面将以训练模型faster_rcnn_r50_fpn_1x_coco为例..
MMDet踩坑与使用体会
北落师门XY的博客
01-10 2302
有意思的是，某些模型的AP范围，最差的backbone可能AP很低，但最好的又很高。如果改了配置文件coco_inatance.py而模型没变，注意把模型保存路径下的配置文件如cascade_mask_rcnn_r50_fpn_1x_coco.py删掉，之前训练的时候改了几次参数，最后的修改没完全更新上，效果烂烂的。如训练swin版的mask2former也要改调用的r50版配置文件，并且不同模型的类数量等参数可能命名方式不同，看一下配置文件就知道了。虽然在同个框架下，但loss不同。
mmdetection测试阶段生成各种评价指标，pkl,mAP,APm，APs,APl等
微信号：Custom-Software
02-21 4843
其中，“CONFIG_FILE”代表当前使用的算法，“INPUT_SHAPE”代表输入图像的尺寸，我每次输入都报错，很难受。由于每次输入：[–shape ${INPUT_SHAPE}]，都报错，所以我没有输入，在py文件里面改默认值作为输入。其中，“–shape 1000 608”代表输入图片的大小，“3，1000，608”代表3通道。参考网站：https://zhuanlan.zhihu.com/p/607576946。为例，–out是只生成的权重文件地址，result是生成的pkl文件名；
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
mmdetection3改进cocoapi评估指标
记录些个人学习过程的代码实现以及解决方案
02-02 1401
在训练自己的模型时，正常情况下只能打印评估指标，形式如下开启打印每一类的评估数据时，仅仅只能打印mAP的值修改后如下可以打印真实的平均准确率(Precision)、召回率(Recall)、mAP注:下图的mAP_50_95即是上图的mAP值实验环境 修改步骤 项目最终目录1.粘贴工具包中的至下，其代码如下，新建将下面代码粘贴即可 2.新建自己的，命名为,路径: 3.修改路径下的，主要是修改导包处改为修改后代码如下 4.修改文件 5.中开启测试打印 完整效果 运行时输出如下
mmdetection输出precision指标（VOC数据集）
lpan2020的博客
05-30 2716
mmdetection使用VOC数据集训练时，得到precision指标的两种方法。
prec_rec.zip_Curves_Recall_precision recall_precision-recall_rec
09-23
Draws Precision REcall curves
MMDetection实战：MMDetection训练与测试
05-09
MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块，通过模块调用的方式，我们能够以很少的代码量实现一个新算法，大大提高了代码复用率。 GitHub链接：https://github.com/open-mmlab/mmdetection。 Gitee链接：https://gitee.com/open-mmlab/mmdetection。 主分支代码目前支持 PyTorch 1.5 以上的版本。主要特性： 模块化设计 MMDetection 将检测框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型 丰富的即插即用的算法和模型 MMDetection 支持了众多主流的和最新的检测算法，例如 Faster R-CNN，Mask R-CNN，RetinaNet 等。 速度快 基本的框和 mask 操作都实现了 GPU 版本，训练速度比其他代码库更快或者相当，包括 Detectron2, maskrcnn-benchm
安装mmdetection心得.md
11-26
windows安装mmdetection
MMDetection'document.pdf
01-13
MMDetection'document
mmdetection源码注释
01-17
商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN等主流的目标检测框架，后续会加入Cascade-...
mmdetection修改backnone
最新发布
03-26
在MMDetection中我们知道，各种文件都是通过配置来进行构建。由于我使用了新的数据集，也替换了新的网路结构，所以我新建了一个新的配置文件，名称为：detr_spinmlp_8x8_150e_mask.py 将原本是resnet的替换为我设计...
mmdetection训练自己的数据并评估mAP
热门推荐
洪流之源
06-24 3万+
用mmdetection做目标检测的训练还是比较简单的，但是目前代码尚不稳定，其中也有很多的坑，下面简单讲解一下如何用mmdetetection在VOC的数据集上进行模型的训练，算是对mmdetection的简单入门。 1. 制作VOC数据集 mmdetection支持VOC和COCO标注格式的数据集，本次我们使用VOC2007格式数据集，我这里数据集已经制作好了，目录如下： ├── D...
MMdetection测试和评估模型（各种命令）
weixin_53297048的博客
06-06 697
打开文件的属性，关闭“只读”（关闭前记得先关闭pycharm，否则下次打开还是“只读”）（3）文件目录的权限没有打开。（2）文件处在打开状态。（1）文件目录写错了。
mmdetection模型评价指标
09-04
MMDetection是一个基于PyTorch框架开发的目标检测工具包，它提供了多个常用的模型评价指标。下面是一些常见的模型评价指标： 1. Mean Average Precision (mAP)：mAP是目标检测任务中最常用的评价指标之一。它计算了模型在不同类别上的平均精度。mAP的计算方法是通过计算不同IoU阈值下的Average Precision (AP)，然后对所有类别的AP进行平均得到。 2. Average Precision (AP)：AP衡量了模型在单个类别上的精度。它通过计算Precision-Recall曲线下的面积来得到。在计算AP时，会使用不同的IoU阈值来确定正样本和负样本。通常，使用不同的IoU阈值计算出多个Precision-Recall点，然后计算这些点的平均值作为AP。 3. Precision：Precision是指模型预测为正样本的样本中真正为正样本的比例。它衡量了模型的准确性。 4. Recall：Recall是指所有正样本中被正确预测为正样本的比例。它衡量了模型对正样本的覆盖率。 5. F1-Score：F1-Score综合考虑了Precision和Recall，计算方法是取Precision和Recall的调和平均值。F1-Score越高，模型的综合性能越好。 这些指标可以帮助评估目标检测模型的性能，并且在比较不同模型或调整模型超参数时起到重要的作用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
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