使用COCO API评估模型在COCO数据集上的结果（需要的检测结果格式）

最新推荐文章于 2024-02-02 16:04:29 发布
最新推荐文章于 2024-02-02 16:04:29 发布
阅读量1.1k 收藏
点赞数
分类专栏： 目标检测
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/qq_38343151/article/details/109140796
版权
小镇大爱
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOv5的Tricks | 【Trick15】使用COCO API评估模型在自己数据集的结果
Clichong
08-29 5289
如有错误，恳请指出。在解析yolov5整个工程项目的时候要，已经对其detect.py脚本和val.py脚本进行分别的解析。其中，个人觉得detect脚本写得过于冗杂，所以分别为每个任务（图片推理，视频推理，摄像头推理）单独的写了个简单易懂的推理脚本。在之前在解析完val.py脚本之后，一直想同样地对其进行简化，现在用这篇博客来记录简化过程以及出现的问题。一般来说，现有的标注格式就是xml格式，yolo的txt格式还有coco的json标注特殊，我们使用yolov5项目来说标注文件就是一堆txt文件，文件名
从零训练yolov5在COCO数据集上的模型和结果
04-25
从零训练yolov5在COCO数据集上的模型和结果
COCO数据集目标检测输出指标AP、AR、maxDets
热门推荐
qq_40310050的博客
11-09 1万+
最近在用retinanet进行一个实验，用的coco格式的数据集，输出的结果大致如下： 知识太贫乏了，看不懂 后查了资料，这是coco数据集输出的一个检测结果，解释如下： 1.第一行，是COCO的评价指标 2.第二行，是PASCAL VOC的评价指标 3.第三行，IoU=0.75 相比IOU=0.50是比较严格的一个指标 4.第四行，关注小目标的情况 5.第五行，检测中等目标的 6.第六行，检测大目标的指标 7.第七行，设置目标检测框只有1个 8.第八行，设置目标检测框有10个 9.第九行，设置目标检测
COCOAPI评价指标解析及改进
shY Pa
12-15 3103
本文主要解析目标检测中常用的COCOAPI工具计算mAP的过程，以及增加相关功能用于更好的提供模型优化的方向。 程序入口 python eval_coco.py 特别说明 results_test.json格式如下： [{“image_id”: 19, “category_id”: 1, “bbox”: [121.4, 116.02, 560.56, 303.83], “score”: 0.97}, {“image_id”: 19, “category_id”: 1, “bbox”: [119.3, 74
maskrcnn benchmark cocoapi 在自己数据集上的性能测试
qq_35608277的博客
03-31 2776
使用git 中cocoapi的pycocoEvalDemo.ipynb更改 需要： 1 自己验证集的标注 此处使用labelme制作。 格式如下： { "images": [ { "height": 2304, "width": 3456, "id": 1, "file_name...
如何利用cocoAPI 评估yolov3 模型，计算mAP
qq_33074561的博客
09-17 7799
cocoAPI下载地址 步骤1、首先下载cocoAPI，进入pythonAPI文件夹Make一下 步骤2、使用 <./darknet detector valid cfg/coco.data cfg/yolov3-coco.cfg backup/yolov3-coco.weight>命令生成det的json文件，注意，在使用valid 这个命令的时候thresh参数应该设置第一点，...
如何利用cocoapi评估模型在coco数据集上的AP
xiaolt90的博客
03-16 4418
目前绝大多数目标检测算法都使用coco数据集进行模型评估。那么如何验证sota模型的是否达到paper给出的AP，或者自己的数据増广策略、训练调参等是否能提升模型的AP？cocoapi提供了接口！ 下面给出使用python调用cocoapi流程和实例： 首先切换到 PythonAPI路径下，然后make 在PythonAPI路径下新建脚本文件：evaluate.py 脚本代码： # -*- c...
目标检测 COCO数据集测评指标及算法AP排行榜！！
weixin_42784951的博客
08-01 1万+
目标检测COCO数据集上各算法AP排行榜： https://competitions.codalab.org/competitions/5181#results 进入 coco 官网如下： 进入 Evaluate/detection如下： 点击第一段上面 uploaded,进入界面： 点击（1）里面的 condaLab 然后选择 Competitions 进入界面 点击 COCO Imag...
关于COCO数据集评价参数设置
pengxiang1998的博客
06-29 832
就没有什么问题，而在WidePerson数据集中，尽管绝大部分图片中目标的数量在100以内，但却存在某些图片中包含近200个目标，那么我们再使用maxDets=100就不符合要求了。maxDets：该指标的意思是分别保留测试集的每张图上置信度排名第1、前10、前100个预测框，根据这些预测框和真实框进行比对，来计算AP、AR等值。比如博主在使用COCO数据集时，博主将其中的car，bus，truck进行提取，这就导致在一张图片中的目标数目可能只有几张，那么我们使用。
COCO 数据集分析和coco API使用
Guo_Python的博客
04-29 3215
0. coco数据集格式了解：分析数据存储格式 1. coco Python API-使用：coco API 使用​​​​​​ 2. coco Python API-源码分析：coco API 源码分析​​​​​​ 3. coco Pythonn API-数据集类数据分布：coco 数据类别数量分布 ...
coco关键点标注json_使用COCO API评估模型在COCO数据集上的结果
weixin_28951585的博客
12-30 594
由于最近沉迷写论文导致课外学习不多（不写毕不了业啊！！！），所以也没有新知识来很更新啊，刚好今天使用COCO API来评估自己的结果，就学习和调试过程中遇到的问题进行记录。目前绝大多数目标检测算法都使用coco数据集进行模型评估。那么如何验证自己的实验结果，或者自己的数据増广策略、训练调参等是否能提升模型的AP？COCO_API提供了便捷的接口，安装使用及评估过程如下一、COCO API的下载和安...
将labelme格式数据转化为标准的coco数据集格式方式
09-17
Labelme是一个流行的开源工具，用于交互式地标注图像，而COCO（Common Objects in Context）是广泛使用的数据集格式，适用于多种任务，如物体检测、分割等。这篇文章将介绍如何将Labelme的标注数据转换成COCO数据集...
coco128数据集：包含图片和标签，标签为txt格式
11-10
coco128数据集：包含图片和标签，标签为txt格式，该数据集只包含128张样本，用来进行训练和验证的测试工作。
txt数据集格式转化为xml数据集格式，yolov5数据集转化为coco数据集
05-06
txt数据集格式转化为xml数据集格式，txt数据集格式一般是yolov5的专用格式，这个脚本是将txt数据集格式转化为xml数据集的格式，使用的时候可以自行调整脚本里xml的每项，将它变成coco数据集格式或者其他数据集格式。
数据集COCOVOC2012数据集coco格式
07-03
这是VOC2012转换的coco格式的数据集可以用于目标检测训练或者矩形框形式的分割。 数据集已经按照训练验证集：测试集=9:1划分，然后训练集：验证集=9:1也就是训练集=0.9x0.9 验证集=0.9x0.1 测试集=0.1，可以用于...
mmdetection3改进cocoapi评估指标
最新发布
记录些个人学习过程的代码实现以及解决方案
02-02 1625
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
深度学习项目八：YOLO v5调用coco API 评估数据集结果
m0_60890175的博客
11-15 1849
YOLO v5调用coco API 评估数据集结果
COCO数据集训练结果指标
04-14 515
R表示COCO计算时采用的每一个概率阈值，这里是从0到1每间隔0.01（即一个百分点）取一个值，共101的值。A表示检测任务中针对的目标尺度类型，第一个表示没有限制，第二个代表小目标（area < 32。2 < area < 96^2），第四个代表大目标（area > 96^2），共4个值。T表示COCO计算时采用的10个IoU值，从0.5到0.95每间隔0.05取一个值。注意，precision，recall初始化时，所有的数值都是等于-1的。
利用COCOAPI计算Yolov3训练出的模型的MAP值，复现ap
xidaoliang的博客
03-11 1万+
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.314 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.559 Average Precision (AP) @[ IoU=0.75 ...
deterctron2框架使用自己的coco格式的全景分割的数据集
07-27
Detectron2框架是一个用于计算机视觉任务的强大框架，它可以用来训练和测试多种视觉任务，包括目标检测、实例分割和全景分割等。如果我们要在Detectron2框架中使用自己的COCO格式的全景分割数据集，我们可以按照以下步骤进行： 1. 数据集准备：首先，我们需要准备自己的全景分割数据集，并且将其转换为COCO格式的标注。COCO格式的标注是一种常用的标注格式，它包含了图像路径、图像尺寸、每个目标的类别、边界框和分割掩膜等信息。 2. 注册数据集：接下来，我们需要注册我们的数据集，以便Detectron2框架能够识别和加载我们的数据集。在Detectron2中，我们可以使用`register_coco_instances`函数来注册COCO格式的数据集。我们需要提供数据集的名称、数据集目录、图像和标注文件的路径，以及数据集类别和颜色映射等信息。 3. 数据集预处理：在加载数据集之前，我们可以定义一些数据预处理的操作，例如图像缩放、归一化和随机增强等，以提高训练效果。我们可以使用Detectron2提供的预处理函数或者自定义自己的预处理函数来实现。 4. 模型配置：在使用Detectron2进行训练或测试之前，我们需要配置模型的参数。我们可以指定使用的模型架构、损失函数、学习率等参数，并将其写入一个配置文件中。 5. 模型训练和测试：最后，我们可以使用Detectron2框架提供的API来进行模型的训练和测试。在训练过程中，框架会自动加载我们注册的数据集，并根据配置文件中的参数进行训练；在测试过程中，框架会加载训练好的模型，并对测试集进行预测和评估。 通过以上步骤，我们可以很方便地在Detectron2框架中使用自己的COCO格式的全景分割数据集进行训练和测试。这也是Detectron2框架的一个强大功能，它可以帮助我们快速地构建和训练自定义的计算机视觉模型。

“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
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