yolo 学习系列（四）：训练结果评估

yolo 学习系列（四）：训练结果评估

---

1 评价参数

参考这里

1.1 召回率 Recall 和 精确率 Precision

具体公式不在赘述

以在大雁和飞机的图片中识别飞机为例：

• Precision其实就是在识别出来的图片中，飞机所占的比率
• Recall 是被正确识别出来的飞机个数与测试集中所有飞机的个数的比值

1.2 平均正确率 Average_precision(AP)

• 调节阈值K，可以得到不同的(P-R)，最终可以让recall变化从0到1.
• 每一类都可以根据recall和precision绘制P-R曲线，AP就是该曲线下的面积。而mAP就是所有类AP的平均值。

2 结果评估

参考这里
YOLO-V3可视化训练过程中的参数

2.1 训练日志保存

./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23 2>1 | tee yolo-voc.txt

2.2 验证命令

darknet.exe detector valid data/voc.data cfg/yolov2-tiny-voc.cfg backup/yolov2-tiny-voc_11400.weights -out -gpu 0 -thresh .5

darknet.exe detector valid data/voc.data cfg/yolov2-tiny-voc.cfg backup/yolov2-tiny-voc_11400.weights -thresh .5

python reval_voc_py3.py --year 2007 --classes data/voc.names --image_set test --voc_dir data/mkw/VOCdevkit/ results

2.3 召回率

darknet.exe detector recall data/voc.data cfg/yolov2-tiny-voc.cfg backup/yolov2-tiny-voc_11400.weights

2.4 mAP

darknet.exe detector map data/voc.data cfg/yolov2-tiny-voc.cfg backup/yolov2-tiny-voc_11400.weights

2.5 生成loss-iter曲线

在执行训练命令的时候加一下管道，tee一下log

./darknet detector train cfg/voc.data cfg/yolo-voc.cfg | tee training.log

将下面的python代码保存为drawcurve.py，并执行

python  drawcurve.py training.log 0

python的代码为

import argparse
import sys
import matplotlib.pyplot as plt
def main(argv):
    parser = argparse.ArgumentParser()
    parser.add_argument("log_file",  help = "path to log file"  )
    parser.add_argument( "option", help = "0 -> loss vs iter"  )
    args = parser.parse_args()
    f = open(args.log_file)
    lines  = [line.rstrip("\n") for line in f.readlines()]
    # skip the first 3 lines
    lines = lines[3:]
    numbers = {'1','2','3','4','5','6','7','8','9','0'}
    iters = []
    loss = []
    for line in lines:
        if line[0] in numbers:
            args = line.split(" ")
            if len(args) >3:
                iters.append(int(args[0][:-1]))
                loss.append(float(args[2]))
    plt.plot(iters,loss)
    plt.xlabel('iters')
    plt.ylabel('loss')
    plt.grid()
    plt.show()
if __name__ == "__main__":
    main(sys.argv)

3 mAP计算与PR曲线绘制

参考这里

3.1 运行detector valid指令，生成对测试集的检测结果

命令格式： ./darknet detector valid <voc.data文件路径> <cfg文件路径> <weights文件路径> -out “”

例如：

./darknet detector valid ./cfg/voc.data cfg/yolov2-tiny-voc.cfg results/yolov2-tiny-voc_10000.weights -out ""

验证集在voc.data文件中已定义

classes= 1
train  = /home/chris/darknet/scripts/2007_train.txt
valid  = /home/chris/darknet/scripts/2007_val.txt # 此条命令用到该路径
names = data/voc.names
backup = /home/chris/darknet/results/

运行后在…/darknet/results/下生成一个 sea cucumber.txt 文件
其中txt中数据格式为: 文件名 置信度 x y w h
将文件名修改为 comp4_det_val_sea cucumber.txt

3.2 计算mAP并生成pkl文件

命令格式：python reval_voc.py --voc_dir <voc文件路径> --year <年份> --image_set <验证集文件名> --classes <类名文件路径> <输出文件夹名>

例如：

python reval_voc.py --voc_dir /home/chris/darknet/scripts/VOCdevkit --year 2007 --image_set val --classes /home/chris/darknet/data/voc.names testSeacucumber
# 此处的坑是 --image_set 后是 val，要与 voc.data 名称一致

这里用到两个文件 reval_voc.py 和 voc_eval.py ，将它们放在 darknet 一级目录下运行以上命令即可得到map值，并在testSeacucumber文件夹内得到 sea cucumber_pr.pkl 文件

3.3 绘制PR曲线

在testSeacucumber文件夹内新建一个PR_draw.py文件，内容如下：

# -*- coding: utf-8 -*
#import _pickle as cPickle
import cPickle
import matplotlib.pyplot as plt
fr = open('sea cucumber_pr.pkl','rb')
inf = cPickle.load(fr)
fr.close()
 
x=inf['rec']
y=inf['prec']
plt.figure()
plt.xlabel('recall')
plt.ylabel('precision')
plt.title('PR_cruve')
plt.plot(x,y)
plt.show()
 
print('AP：',inf['ap'])

运行命令

python PR_draw.py