Yolo分类任务中，检查模型在训练数据中哪些检测错误，计算精确率(Precision)、召回率(recall)模型评估参数

训练结束后分析训练数据集

• 在训练完一个分类模型后，为了分析训练模型在验证/训练数据集上不同类别效果，往往要计算其不同类别的精确率和召回率，以及检测错误的图片有哪些，错误图片被误检为了什么。
• 首先文件夹格式为
  • val
    • 类别1
    • 类别2
    • 类别3···
• 直接贴出代码，实现了对不同类别检测结果并保存错误结果，结果如下显示
  

from ultralytics import YOLO
import matplotlib
import os
from sklearn.metrics import accuracy_score, precision_score,f1_score,recall_score
from sklearn.metrics import classification_report
import cv2
model = YOLO('runs/classify/train20/weights/best.pt')
# 模型标签
names = {0: 'CCC', 1: 'DDD', 2: 'Other', 3: 'QQQ'}
base_path = '/home/train'
# 将names的key与value值互换，存入dict_names中
dict_names = {v: k for k, v in names.items()}
real_labels = []
pre_labels = []
for i in os.listdir(base_path):
    label = dict_names[i]
    for j in os.listdir(os.path.join(base_path, i)):
        img_path = os.path.join(base_path, i, j)
        filename = img_path.split('/')[-1]
        # import ipdb; ipdb.set_trace()
        res = model.predict(img_path)[0]
        if res.probs.top1 != label:
            image = cv2.imread(img_path)
            name = i  # label
            resname = names[res.probs.top1]
            print("预测错误:", filename,"label:",name,"res:",resname)
            output_path = os.path.join("train", name, resname, filename)
            os.makedirs(os.path.dirname(output_path), exist_ok=True)
            cv2.imwrite(output_path,image)
        real_labels.append(label)
        pre_labels.append(res.probs.top1)
print("每个类别的精确率、召回率和F1-Score：")
print(classification_report(real_labels, pre_labels, target_names=list(names.values())))

参考：
1
2