yolact 计算box / mask mAP源码解析

已于 2023-04-14 10:39:09 修改
阅读量751 收藏 2
点赞数
分类专栏： 源码解读2 文章标签： 计算机视觉 人工智能 实例分割
于 2023-04-13 17:00:44 首次发布
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/level_code/article/details/129994288
版权
本文详细解析了Yolact在计算box和mask平均精度(mAP)时的流程，从图片和mask预处理，网络预测输出处理，IOU计算，到最终的mAP计算。在计算mask mAP时，由于COCO格式的json中的mask为polygon，而实际需要的是二值mask，因此在转换过程中会存在误差。文章介绍了如何避免这种误差并有效计算mask IOU，最后展示了计算结果的输出示例。
摘要由CSDN通过智能技术生成

在计算box mAP时，可以直接调用COCOeval的函数，
先把预测的目标框坐标结合image_id dump到一个和coco annotation格式一样的json文件。
然后调用

coco_dets = self.coco_api.loadRes(json_path)
coco_eval = COCOeval(
    copy.deepcopy(self.coco_api), copy.deepcopy
了解本专栏 订阅专栏 解锁全文 超级会员免费看
结合paper 详细解读yolact源码（eval）
蓝羽飞鸟的博客
11-30 1606
yolact详细源码解析
【深度学习】【YOLACT】代码解读二
Hana
01-14 3673
【YOLACT】代码解读代码运行验证处理图片训练 代码运行 根据github所给指导一步一步进行，如果曾经下载好coco数据集，在data/config.py108行以下修改数据集的目录，并且在run_coco_eval.py16行修改验证集annotation文件的路径。 验证 有以下三种评估方式： first python eval.py --trained_model=weights/yol...
Mask R-CNN 中计算map (以钢材DWTT断口为例)
hopegrace的博客
12-15 4497
一.概念 平均精度（AP）和平均精度均值（mAP）。Mean Average Precision（mAP）通常在信息检索和目标检测中作为评估标准使用。在这两个领域中mAP的计算方法不同，这里主要介绍目标检测中的mAP AP:就是Precision-recall 曲线下面的面积，通常来说一个越好的分类器，AP值越高。 mAP是多个类别AP的平均值。这个mean的意思是对每个类的AP再求平均，...
用COCOeval计算mask mAP
蓝羽飞鸟的博客
04-06 859
cocoeval算mask mAP
目标检测，实例分割IOU，precision, recall, mAP详解
蓝羽飞鸟的博客
03-17 3408
目标检测和实例分割的IOU，precision,recall, mAP
COCOAPI计算mAP
洪流之源
10-12 2188
COCOAPI 计算mAP
调用pycocotools计算mAP
qq_40527427的博客
05-16 5833
from pycocotools.coco import COCO from pycocotools.cocoeval import COCOeval import json from tempfile import NamedTemporaryFile # coco格式的json文件，原始标注数据 anno_file = '/home/j_m/Desktop/val/val.json' coco_gt = COCO(anno_file) # 用GT框作为预测框进行计算，目的是得到detection_.
PHP解析大型Excel表格的库：box/spout
切糕的技术博客
11-25 8276
PHP解析大型Excel表格的库：box/spout
[论文笔记]YOLACT 阅读笔记
qq_44690067的博客
07-14 2097
YOLACT是为了实现实时instance segmentation而提出的算法；它将实例分割拆分为两个并行的任务——prototype mask生成和mask coefficient预测；同时提出了一种快速NMS方法
在自己的数据集上调用cocoapi计算map
weixin_43805402的博客
09-24 3551
之前算map都是用模型在COCO数据集上跑，然后按官方的格式生成results.json，调用cocoapi和官方下载的instances_val2017.json计算就可以了。 现在模型是在自己的数据集上训练的，需要跑一批测试数据计算map recall等，这些图片都是标注好的，而且格式是darknet的，和coco要求的不一样。目录结构如下： data val.txt obj.names val_data img1.jpg img1.txt img2.jpg img2.t
coco_eval.py详解
最新发布
毕竟是Shy哥
09-17 836
【代码】coco_eval.py详解。
【YOLACT】代码解读
mjiansun的专栏
01-20 7505
源码：https://github.com/dbolya/yolact num_class是算上背景的类别，比如你的类别就一个person，那么记得此时的num_class应该为2，因为还需要算上背景啊。 YOLACT的网络结构及输出 YOLACT的backbone结构 其中_make_layer就是常规的resnet101中的_make_layer，具体是如何操作的可以查看源码ht...
Yolact源码解析
Ken的博客
09-29 3177
eval.py文件 数据加载 with timer.env('Load Data'): # img:(550, 550, 3) # gt:(3, 5)，3是3个物体，5是中心点，宽高，类别 # gt_mask: (3, 1080, 1920),1080*1920是加载的原图大小 # h, w:1080, 1920 # num_crowd:0 img, gt, gt_masks, h, w, num_crowd = dataset.pull_item(image_idx) # pull_it
为何Transformer在计算机视觉中如此受欢迎？
从未完美过的博客
02-15 554
在过去的大半年中，学术界视觉 Transformer 还涌现了大量变种，包括 DeiT [9]，LocalViT [10]，Twins [11]，PvT [12]，T2T-ViT [13], ViL [14]，CvT [15]，CSwin [16]，Focal Transformer [17]，Shuffle Transformer [18] 等。但是，在人工智能的不同子领域中，基本建模的方式各种各样，并不统一，例如：在自然语言处理（NLP）领域目前的主导建模网络是 Transformer；
Win10下手把手教你Mask RCNN绘制PR曲线、计算mAP
hesongzefairy的博客
06-14 1万+
导航： 1. keras版的mask rcnn环境配置https://blog.csdn.net/hesongzefairy/article/details/104702119 2. keras版的mask rcnn训练自己的数据集https://blog.csdn.net/hesongzefairy/article/details/105738318 3.一文理解精确率Precision、召回率Recall以及ROC曲线https://blog.csdn.net/hesongzefairy/art.
Mask RCNN, Faster RCNN, Yolo3, SSD 在由Feature map生成坐标和类别数据的区别
hnshahao的专栏
08-04 2435
这里要总结一下这几个算法之间的区别，就是由feature map卷积到坐标数据和类别数据的过程，有什么区别
深度学习及论文中相关术语解析
David's Tweet
01-18 3553
1、Model Capacity 模型拟合能力。 2、Generalization 泛化能力。 一个网络的generalization能力是由网络的capacity和训练数据量共同决定的。网络capacity越大越能捕捉训练数据的细枝末节（高频），所以越容易overfit（在训练数据的高频noise上），从而generalization不佳。所以在训练数据无穷的极限条件下，网络的generalization能力与其capacity成正比。那么提高网络的泛化性能就可以理解为1. 增加训练数据；2.
论文学习笔记-YOLACT++
Custom自定义
12-18 4976
『写在前面』 YOLACT升级版。 文章标题：《YOLACT++ Better Real-time Instance Segmentation》 作者机构：Daniel Bolya等, University of California, Davis. 原文链接：https://arxiv.org/abs/1912.06218 相关repo：https://github.com/dbol...
Mask-RCNN校验结果计算mAP值
热门推荐
简简单单
08-17 1万+
Mask-RCNN校验结果可以通过计算mAP值得到一个数值的衡量，在10张图片上计算平均值，增加更高的准确性。 一、mAP值的计算 P：precision，即准确率； R：recall，即 召回率。 PR曲线：即以precision和recall作为纵、横轴坐标的二维曲线。 AP值：Average Precision，即平均精确度。 mAP值：Mean Average ...
评论
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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