coco评价指标

cocoapi
示例:

Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 = 0.17, 0.20, 0.03
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 = 0.34, 0.37, 0.03
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 = 0.16, 0.20, 0.04
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 = 0.03, 0.08, 0.05
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 = 0.18, 0.23, 0.05
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 = 0.29, 0.27, -0.02
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 = 0.19, 0.21, 0.02
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 = 0.27, 0.33, 0.06
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 = 0.27, 0.33, 0.06
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 = 0.05, 0.13, 0.08
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 = 0.30, 0.39, 0.09
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 = 0.47, 0.47, 0.00

代码:

class Params:
    '''
    Params for coco evaluation api
    '''
    def setDetParams(self):
        self.imgIds = []
        self.catIds = []
        # np.arange causes trouble.  the data point on arange is slightly larger than the true value
        self.iouThrs = np.linspace(.5, 0.95, np.round((0.95 - .5) / .05) + 1, endpoint=True)
        self.recThrs = np.linspace(.0, 1.00, np.round((1.00 - .0) / .01) + 1, endpoint=True)
        self.maxDets = [1, 10, 100]
        self.areaRng = [[0 ** 2, 1e5 ** 2], [0 ** 2, 32 ** 2], [32 ** 2, 96 ** 2], [96 ** 2, 1e5 ** 2]] #按面积将目标分成小、中、大三类
        self.areaRngLbl = ['all', 'small', 'medium', 'large']
        self.useCats = 1

    def __init__(self, iouType='segm'):
        if iouType == 'segm' or iouType == 'bbox':
            self.setDetParams()
        else:
            raise Exce
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
Yolact是一种基于Mask-RCNN框架的目标检测模型,具有实时分割的能力。COCO评价指标是用来衡量目标检测和分割模型性能的指标之一,常用于比较和评估不同模型的表现。 在Yolact代码中,计算COCO评价指标的主要步骤如下: 1. 首先,需要加载训练好的Yolact模型并设置好相应的参数,包括类别数量、阈值等。 2. 接下来,需要准备COCO数据集的标注文件和预测结果文件。标注文件包含每个图像中的目标类别和边界框信息,预测结果文件则包括模型对图像的预测结果,包括类别、边界框和分割掩码等。 3. 使用COCOAPI工具包中的函数,可以将标注文件和预测结果文件转换成COCO数据结构。这样就可以方便地使用COCO评价指标进行计算。 4. 在计算评价指标之前,通常会对预测结果进行后处理,以去除一些低置信度或重叠度较大的检测框。常见的后处理方法包括非极大值抑制(NMS)和置信度阈值等。 5. 最后,使用COCOAPI提供的函数,可以根据标注文件和预测结果文件计算一系列COCO评价指标,包括检测精度(AP)、平均精度(mAP)和平均交并比(mIoU)等。 总之,Yolact代码计算COCO评价指标的过程包括准备数据、后处理和调用COCOAPI函数进行计算。通过评价指标计算,可以了解Yolact模型在目标检测和分割任务上的表现,并与其他模型进行比较和评估。
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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