模型对测试样本的精确率和召回率计算

实现原理

通过计算真实框和检测框的交并比，如果交并比大于阈值T，并且标签判断准确，即模型检测准确。
交并比的计算原理如下图所示。

代码运行条件

1. 首先需要人工对测试样本，进行标记生成xml文件，作为模型评价的标准。
2. 利用模型对测试集进行测试， 并生成xml文件。

xml文件的生成参考：https://blog.csdn.net/qq_42661919/article/details/122428259?spm=1001.2014.3001.5502

4. 注意 要保证同一张图像的人工标定生成的xml文件和模型测试生成的xml文件名要保持一致（两个文件夹的文件名和文件数量也要相等）。

完整代码

import xml.etree.ElementTree as ET
import os
# 解析xml文件
def convert_annotation(full_file):
    tree = ET.parse(full_file)
    root = tree.getroot()
    countBox = []
    for obj in root.iter('object'):
        labelName=obj.find('name').text
        # print (labelName)
        xmlbox = obj.find('bndbox')
        b = [int(float(xmlbox.find('xmin').text)), int(float(xmlbox.find('ymin').text)),
             int(float(xmlbox.find('xmax').text)), int(float(xmlbox.find('ymax').text)),labelName]
        countBox.append(b)
    return countBox
# 计算测试box和真实box的交并，利用阈值进行判定是否检测准确。
def computerPrecisionAndRecall(T,test_box, label_box):
    # 代表检测 正确的数目
    count = 0
    labelsum = len(label_box)
    testsum = len(test_box)
    for i, _list1 in enumerate(label_box):
        for j, _list2 in enumerate(test_box):
            # 第一个框
            #左上角横坐标
            x1_1 = int(_list1[0])
            #左上角纵坐标
            y1_1 = int(_list1[1])
            #右下角横坐标
            x2_1 = int(_list1[2])
            #右下角纵坐标
            y2_1 = int(_list1[3])
            s1 = (x2_1 - x1_1) * (y2_1 - y1_1)
            # 第二个框
            x1_2 = int(_list2[0])
            y1_2 = int(_list2[1])
            x2_2 = int(_list2[2])
            y2_2 = int(_list2[3])
            s2 = (x2_2 - x1_2) * (y2_2 - y1_2)
            # 找相交部分
            xmin = max(x1_1, x1_2)
            ymin = max(y1_1, y1_2)
            xmax = min(x2_1, x2_2)
            ymax = min(y2_1, y2_2)
            #计算交并比
            IOU = (ymax - ymin) * (xmax - xmin) / min(s1, s2)
            #此情况表示 未相交
            if xmin >= xmax or ymin >= ymax:
                continue
            #判断交并大于阈值，并且标签判断正确，判定为检测正确。
            elif IOU >= T and _list1[4]==_list2[4]:
                text_box.remove(_list2)
                count += 1
                continue
    return [labelsum, testsum, count]


if __name__ == "__main__":
	#模型测试生成的xml文件的文件夹路径。
    test_file=r"/home/yaoteam/yolov4-improve/testData/yolov5_xml"
    #人工标定生成的xml文件的文件夹路径。
    label_file=r"/home/yaoteam/yolov4-improve/testData/MaualLabel"
    xml_names=os.listdir(test_file)
    #标注总样本label_sum,测试总样本test_sum,检测到的总数目find_sum,精确率precision,召回率recall
    label_sum=0
    test_sum=0
    find_sum=0
    #交并比阈值T
    T=0.6
    for xml_name in xml_names:
        text_xml_path = os.path.join(test_file,xml_name)
        maual_labeling_path =  os.path.join(label_file,xml_name)
        text_box = convert_annotation(text_xml_path)
        label_box = convert_annotation(maual_labeling_path)
        label_item_sum, test_item_sum, find_item_sum = computerPrecisionAndRecall(T,text_box, label_box)
        label_sum+=label_item_sum
        test_sum+=test_item_sum
        find_sum+=find_item_sum
    precision=round((find_sum/test_sum)*100,2)
    recall=round((find_sum/label_sum)*100,2)
    print("正样本检测为正样本的数目：",find_sum)
    print("人工标记的样本总数：",label_sum)
    print ("模型检测到的正样本总数",test_sum)
    print ("精确率：",precision,"%")
    print ("召回率：",recall,"%")