YOLOv8添加mAP75的方法

1. 引言

我们在训练某些数据集的时候，某些数据集的mAP50已经到达90%以上了，对于我们来说这是非常难提升的，因此，我们可以采用mAP75来作为一个指标。
此外，网上目前基本还没有YOLOv8如何添加mAP75的方法，或者说有收费的，因此，这里展示一下自己添加YOLOv8添加mAP75的方法。

另外感谢各位大佬在评论区提醒，改正，有需要啥改进的也请各位大佬提出来好修改

2. 方法

2.1 val.py

首先是get_desc(self)方法，需要格式化输出mAP75

    def get_desc(self):
        """Return a formatted string summarizing class metrics of YOLO model."""
        # 为了生成一个表格标题行，用于描述YOLO模型在每个类别上的性能指标，
        # 包括图像数量、实例数量、Precision、Recall、mAP50（在50% IoU 阈值下的平均精度）、
        # mAP50-95（在50%-95% IoU 阈值范围内的平均精度）等。
        # 生成的字符串将用于美观地显示这些指标的表格标题。
        # return ('%22s' + '%11s' * 6) % ('Class', 'Images', 'Instances', 'Box(P', 'R', 'mAP50', 'mAP50-95)')
        return ('%22s' + '%11s' * 7) % ('Class', 'Images', 'Instances', 'Box(P', 'R', 'mAP50', 'mAP75', 'mAP50-95)')
       

然后是eval_json(self, stats)方法,如下图需要获取mAP75

eval_json(self, stats)方法全部代码如下

    def eval_json(self, stats):
        """Evaluates YOLO output in JSON format and returns performance statistics."""
        if self.args.save_json and self.is_coco and len(self.jdict):
            anno_json = self.data['path'] / 'annotations/instances_val2017.json'  # annotations
            pred_json = self.save_dir / 'predictions.json'  # predictions
            LOGGER.info(f'\nEvaluating pycocotools mAP using {pred_json} and {anno_json}...')
            try:  # https://github.com/cocodataset/cocoapi/blob/master/PythonAPI/pycocoEvalDemo.ipynb
                check_requirements('pycocotools>=2.0.6')
                from pycocotools.coco import COCO  # noqa
                from pycocotools.cocoeval import COCOeval  # noqa

                for x in anno_json, pred_json:
                    assert x.is_file(), f'{x} file not found'
                anno = COCO(str(anno_json))  # init annotations api
                pred = anno.loadRes(str(pred_json))  # init predictions api (must pass string, not Path)
                eval = COCOeval(anno, pred, 'bbox')
                if self.is_coco:
                    eval.params.imgIds = [int(Path(x).stem) for x in self.dataloader.dataset.im_files]  # images to eval
                eval.evaluate()
                eval.accumulate()
                eval.summarize()
                # -1: mAP50-95; -2:mAP75; -3: mAP50
                stats[self.metrics.keys[-1]], stats[self.metrics.keys[-2]], stats[self.metrics.keys[-3]] = eval.stats[:2]  # update mAP50-95 and mAP50
            except Exception as e:
                LOGGER.warning(f'pycocotools unable to run: {e}')
        return stats

2.2 metrics.py

2.2.1 mean_results

首先是mean_results方法，需要添加如下，map75 yolov8已经帮我们定义好了，可以直接用。

2.2.2 mean_results

    def mean_results(self):
        """Mean of results, return mp, mr, map50, map."""
        return [self.mp, self.mr, self.map50, self.map75, self.map]

这个地方不是很确定，没有理解这个w的含义，因此，这里我现在填的的0.1（和mAP0.5一样的）。后面那个0.9是因为平均了9个值吗（我猜的，求大佬指导）

    def fitness(self):
        """Model fitness as a weighted combination of metrics."""
        w = [0.0, 0.0, 0.1, 0.1, 0.9]  # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
        return (np.array(self.mean_results()) * w).sum()

2.2.3 keys(self)

第三个地方keys(self)添加’metrics/mAP75(B)’

    def keys(self):
        """Returns a list of keys for accessing specific metrics."""
        return ['metrics/precision(B)', 'metrics/recall(B)', 'metrics/mAP50(B)', 'metrics/mAP75(B)', 'metrics/mAP50-95(B)']

评论区提醒，下面也需要修改

    @property
    def keys(self):
        """Returns list of evaluation metric keys."""
        return [
            'metrics/precision(B)', 'metrics/recall(B)', 'metrics/mAP50(B)', 'metrics/mAP75(B)', 'metrics/mAP50-95(B)',
            'metrics/precision(P)', 'metrics/recall(P)', 'metrics/mAP50(P)', 'metrics/mAP75(P)', 'metrics/mAP50-95(P)']

以及下面

    @property
    def keys(self):
        """Returns a list of keys for accessing metrics."""
        return [
            'metrics/precision(B)', 'metrics/recall(B)', 'metrics/mAP50(B)', 'metrics/mAP75(B)', 'metrics/mAP50-95(B)',
            'metrics/precision(M)', 'metrics/recall(M)', 'metrics/mAP50(M)', 'metrics/mAP75(M)', 'metrics/mAP50-95(M)']

3 训练测试

如下图训练过程

训练结束的result.csv文件：看起来也没有问题