如何使用YOLOv5的pycocotools进行coco指标评估

已于 2023-04-19 13:27:32 修改
阅读量1.7k 收藏 19
点赞数 1
分类专栏： 计算机视觉 文章标签： YOLO python 开发语言
于 2023-04-19 12:09:28 首次发布
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_44224801/article/details/130240547
版权

使用YOLOv5进行coco指标评估

1. 安装pycocotools

pip install pycocotools -i https:pypi.douban.com/simple

2.重新排序并命名

在转换之前，如果有图片和txt名字不符合要求，运行文件会报错，因此需要将文件进行重新排序，代码如下：

  1. 可以将文件重新排序并进行重命名
  2. 可以将没有标签的文件进行删除
#第一天学习
#第一天学习
#对文件名重新顺序命名
import os

imgpath = r'F:\sjh\code\my\datasets\VOC_five\images/'
labelpath = r'F:\sjh\code\my\datasets\VOC_five\labels/'

imglist = os.listdir(imgpath)
labellist = os.listdir(labelpath)
imgn = 00000
laben = 00000

# imglist.sort(key=lambda x: int(x[:-4])) #对‘.’进行切片，并取列表的第一个值（左边的文件名）转化整数型

# print(sorted(labellist))
for imaname in imglist:

    img_id = '%05d' %imgn
    imgname = imaname.strip('.jpg')
    oriimg= imgpath + imgname + '.jpg'
    newimname = str(img_id) + '.jpg'
    newimg = imgpath +newimname
    # print(oriimg,newimg)




    orilabel = labelpath + imgname + '.txt'
    newtxtname = str(img_id) + '.txt'
    newlabel = labelpath + newtxtname
    # print(orilabel,newlabel)
    imgn += 1
    if not os.path.exists(oriimg) or not os.path.exists(orilabel):
        print("no exists img",oriimg,orilabel)
        continue
    elif oriimg == newimg:
        print("Has been renamed：",oriimg,newimg)
        continue

    img_size = os.path.getsize(oriimg)
    label_size = os.path.getsize(orilabel)
    if img_size == 0 or label_size ==0:
        print('文件是空的')
        print(orilabel,'文件已删除')
        os.remove(orilabel)
        os.remove(oriimg)
        continue
    # print(newimg,newlabel)
    # os.rename(oriimg, newimg)
    # os.rename(orilabel, newlabel)

3. 将txt标签转换为json格式格式

之后将YOLO的txt文件生成需要使用的txt文件

import os
import cv2
'''
function:可将yolo格式的数据集转换为coco格式的(1)， 生成annos.txt

需要准备：
labels：yolo格式的标签，是txt格式，名字为图片名
images：原始标签对应的图片，需要有序号
'''

# 原始标签路径E:\pyCharmProject\AI\papercode\datasets\GTSDB
originLabelsDir = r'F:\sjh\code\my\datasets\VOC_five\labels'
# 转换后的文件保存路径
saveDir = r'F:\sjh\code\my\datasets\VOC_five/annos1.txt'
# 原始标签对应的图片路径
originImagesDir = r'F:\sjh\code\my\datasets\VOC_five\images'

txtFileList = os.listdir(originLabelsDir)
with open(saveDir, 'w') as fw:
    for txtFile in txtFileList:
        with open(os.path.join(originLabelsDir, txtFile), 'r') as fr:
            labelList = fr.readlines()
            for label in labelList:
                label = label.strip().split()
                x = float(label[1])
                y = float(label[2])
                w = float(label[3])
                h = float(label[4])

                # convert x,y,w,h to x1,y1,x2,y2
                imagePath = os.path.join(originImagesDir,
                                         txtFile.replace('txt', 'jpg'))
                print(imagePath)
                image = cv2.imread(imagePath)
                print(image.shape)
                H, W, _ = image.shape
                x1 = (x - w / 2) * W
                y1 = (y - h / 2) * H
                x2 = (x + w / 2) * W
                y2 = (y + h / 2) * H
                # 为了与coco标签方式对，标签序号从1开始计算
                fw.write(txtFile.replace('txt', 'jpg') + ' {} {} {} {} {}\n'.format(int(label[0]), x1, y1, x2, y2))

        print('{} done'.format(txtFile))

生成以下形式
在这里插入图片描述

2. 生成json

# -*- coding: utf-8 -*-
# @Time    : 2022/9/5
# @Author  : rickHan
# @Software: PyCharm
# @File    : yolo2coco2.py
import json
import os
import cv2

#-------------------可用-----------------------------------
'''
function:可将yolo格式的数据集转换为coco格式的(2)
需要准备：
classes.txt：一行就是一个类，不需要数字，只要类名称
annos.txt：由上一个.py文件生成
images：与annos.txt对应的图片，需要有序号

生成.json文件，在annotations文件下
'''

# ------------用os提取images文件夹中的图片名称，并且将BBox都读进去------------
# 根路径，里面包含images(图片文件夹)，annos.txt(bbox标注)，classes.txt(类别标签),
# 以及annotations文件夹(如果没有则会自动创建，用于保存最后的json)
root_path = r'F:\sjh\code\my\datasets\VOC_five'
# 用于创建训练集或验证集
phase = 'instances_val2017'  # 需要修正，保存后的json文件名

# dataset用于保存所有数据的图片信息和标注信息
dataset = {'categories': [], 'annotations': [], 'images': []}

# 打开类别标签
with open(os.path.join(root_path, 'classes.txt')) as f:
    classes = f.read().strip().split()

# 建立类别标签和数字id的对应关系
for i, cls in enumerate(classes, 1):
    dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})

# 读取images文件夹的图片名称
indexes = os.listdir(root_path+'/images/')

# 统计处理图片的数量
global count
count = 0

# 读取Bbox信息
with open(root_path+ '/annos1.txt') as tr:
    annos = tr.readlines()

    # ---------------接着将，以上数据转换为COCO所需要的格式---------------
    for k, index in enumerate(indexes):
        count += 1
        # 用opencv读取图片，得到图像的宽和高
        im = cv2.imread(root_path+'/images/' + index)
        height, width, _ = im.shape
        print(index)
        # 添加图像的信息到dataset中
        dataset['images'].append({'file_name': index.replace("\\", "/"),
                                  'id': int(index[:5]),  # 提取文件名 里的数字标号 必须是int类型，不能是str
                                  'width': width,
                                  'height': height})

        for ii, anno in enumerate(annos):
            parts = anno.strip().split()

            # 如果图像的名称和标记的名称对上，则添加标记
            if parts[0] == index:
                # 类别
                cls_id = parts[1]
                # x_min
                x1 = float(parts[2])
                # y_min
                y1 = float(parts[3])
                # x_max
                x2 = float(parts[4])
                # y_max
                y2 = float(parts[5])
                width = max(0, x2 - x1)
                height = max(0, y2 - y1)
                dataset['annotations'].append({
                    'area': width * height,
                    'bbox': [x1, y1, width, height],
                    'category_id': int(cls_id),
                    'id': ii,
                    'image_id': int(index[0:5]),	# 提取文件名里的数字标号  必须是int类型，不能是str
                    'iscrowd': 0,
                    # mask, 矩形是从左上角点按顺时针的四个顶点
                    'segmentation': [[x1, y1, x2, y1, x2, y2, x1, y2]]
                })

        print('{} images handled'.format(count))

# 保存结果的文件夹
folder = os.path.join(root_path, './valid/annotations')
if not os.path.exists(folder):
    os.makedirs(folder)
json_name = os.path.join(root_path, './valid/annotations/{}.json'.format(phase))
with open(json_name, 'w') as f:
    json.dump(dataset, f, ensure_ascii=False, indent=1)

3. 测试是否正确

# -*- coding: utf-8 -*-
# @Time    : 2022/9/5
# @Author  : rickHan
# @Software: PyCharm
# @File    : drawtest.py
import os
from pycocotools.coco import COCO
from PIL import Image, ImageDraw
import matplotlib.pyplot as plt
'''
function:绘制标注的数据集和对应图片的位置是否正确
绘制前三张，如果yoyo转换标注的json数据集没有问题，则也能在图上画出框

'''
json_path = r'F:\sjh\code\my\datasets\VOC_five\valid\annotations/instances_val2017.json'
# json_path = r'predictions.json'
img_path = r'F:\sjh\code\my\datasets\VOC_five\images'  #json对应的图片

# load coco data
coco = COCO(annotation_file=json_path)

# get all image index info
ids = list(sorted(coco.imgs.keys()))
print("number of images: {}".format(len(ids)))

# get all coco class labels
coco_classes = dict([(v["id"], v["name"]) for k, v in coco.cats.items()])

# 遍历前三张图像
for img_id in ids[:3]:
    # 获取对应图像id的所有annotations idx信息
    ann_ids = coco.getAnnIds(imgIds=img_id)

    # 根据annotations idx信息获取所有标注信息
    targets = coco.loadAnns(ann_ids)

    # get image file name
    path = coco.loadImgs(img_id)[0]['file_name']

    # read image
    img = Image.open(os.path.join(img_path, path)).convert('RGB')
    draw = ImageDraw.Draw(img)
    # draw box to image
    for target in targets:
        x, y, w, h = target["bbox"]
        x1, y1, x2, y2 = x, y, int(x + w), int(y + h)
        draw.rectangle((x1, y1, x2, y2))
        draw.text((x1, y1), coco_classes[target["category_id"]])

    # show image
    plt.imshow(img)
    plt.show()

测试没有问题，就可以使用了

4. 运行val.py

json文件存放位置，放到测试文件总目录下

.\annotations\instances_val2017.json

python val.py --save-json

结果
在这里插入图片描述

完整版本（一次运行所有）

import os
import cv2
import json
import os
from pycocotools.coco import COCO
from PIL import Image, ImageDraw
import matplotlib.pyplot as plt
'''
**************** first ****************
function:可将yolo格式的数据集转换为coco格式的(1)， 生成annos.txt
需要准备：
labels：yolo格式的标签，是txt格式，名字为图片名
images：原始标签对应的图片，需要有序号
'''
root_dir=r'F:\sjh\code\my\datasets\VOC_five'
def first_to_annostxt():
    # 原始标签路径E:\pyCharmProject\AI\papercode\datasets\GTSDB
    originLabelsDir = root_dir + '/labels'
    # 转换后的文件保存路径
    saveDir = root_dir + '/annos1.txt'
    # 原始标签对应的图片路径
    originImagesDir = root_dir + '/images'

    txtFileList = os.listdir(originLabelsDir)
    with open(saveDir, 'w') as fw:
        for txtFile in txtFileList:
            with open(os.path.join(originLabelsDir, txtFile), 'r') as fr:
                labelList = fr.readlines()
                for label in labelList:
                    label = label.strip().split()
                    x = float(label[1])
                    y = float(label[2])
                    w = float(label[3])
                    h = float(label[4])

                    # convert x,y,w,h to x1,y1,x2,y2
                    imagePath = os.path.join(originImagesDir,
                                             txtFile.replace('txt', 'jpg'))
                    print(imagePath)
                    image = cv2.imread(imagePath)
                    print(image.shape)
                    H, W, _ = image.shape
                    x1 = (x - w / 2) * W
                    y1 = (y - h / 2) * H
                    x2 = (x + w / 2) * W
                    y2 = (y + h / 2) * H
                    # 为了与coco标签方式对，标签序号从1开始计算
                    fw.write(txtFile.replace('txt', 'jpg') + ' {} {} {} {} {}\n'.format(int(label[0]), x1, y1, x2, y2))

            print('{} done'.format(txtFile))
def secon_tojson():
    #-------------------可用-----------------------------------
    '''
    function:可将yolo格式的数据集转换为coco格式的(2)
    需要准备：
    classes.txt：一行就是一个类，不需要数字，只要类名称
    annos.txt：由上一个.py文件生成
    images：与annos.txt对应的图片，需要有序号

    生成.json文件，在annotations文件下
    '''
    # ------------用os提取images文件夹中的图片名称，并且将BBox都读进去------------
    # 根路径，里面包含images(图片文件夹)，annos.txt(bbox标注)，classes.txt(类别标签),
    # 以及annotations文件夹(如果没有则会自动创建，用于保存最后的json)
    root_path = root_dir
    # 用于创建训练集或验证集
    phase = 'instances_val2017'  # 需要修正，保存后的json文件名

    # dataset用于保存所有数据的图片信息和标注信息
    dataset = {'categories': [], 'annotations': [], 'images': []}

    # 打开类别标签
    with open(os.path.join(root_path, 'classes.txt')) as f:
        classes = f.read().strip().split()

    # 建立类别标签和数字id的对应关系
    for i, cls in enumerate(classes, 1):
        dataset['categories'].append({'id': i, 'name': cls, 'supercategory': 'mark'})

    # 读取images文件夹的图片名称
    indexes = os.listdir(root_path+'/images/') #读取文件

    # 统计处理图片的数量
    global count
    count = 0

    # 读取Bbox信息
    with open(root_path+ '/annos1.txt') as tr: #读取文件
        annos = tr.readlines()

        # ---------------接着将，以上数据转换为COCO所需要的格式---------------
        for k, index in enumerate(indexes):
            count += 1
            # 用opencv读取图片，得到图像的宽和高
            im = cv2.imread(root_path+'/images/' + index) #读取文件
            height, width, _ = im.shape
            print(index)
            # 添加图像的信息到dataset中
            dataset['images'].append({'file_name': index.replace("\\", "/"),
                                      'id': int(index[:5]),  # 提取文件名 里的数字标号 必须是int类型，不能是str
                                      'width': width,
                                      'height': height})

            for ii, anno in enumerate(annos):
                parts = anno.strip().split()

                # 如果图像的名称和标记的名称对上，则添加标记
                if parts[0] == index:
                    # 类别
                    cls_id = parts[1]
                    # x_min
                    x1 = float(parts[2])
                    # y_min
                    y1 = float(parts[3])
                    # x_max
                    x2 = float(parts[4])
                    # y_max
                    y2 = float(parts[5])
                    width = max(0, x2 - x1)
                    height = max(0, y2 - y1)
                    dataset['annotations'].append({
                        'area': width * height,
                        'bbox': [x1, y1, width, height],
                        'category_id': int(cls_id),
                        'id': ii,
                        'image_id': int(index[0:5]),	# 提取文件名里的数字标号  必须是int类型，不能是str
                        'iscrowd': 0,
                        # mask, 矩形是从左上角点按顺时针的四个顶点
                        'segmentation': [[x1, y1, x2, y1, x2, y2, x1, y2]]
                    })

            print('{} images handled'.format(count))

    # 保存结果的文件夹
    folder = os.path.join(root_path, './annotations')
    if not os.path.exists(folder):
        os.makedirs(folder)
    json_name = os.path.join(root_path, './annotations/{}.json'.format(phase))
    with open(json_name, 'w') as f:
        json.dump(dataset, f, ensure_ascii=False, indent=1)

'''
function:绘制标注的数据集和对应图片的位置是否正确
绘制前三张，如果yoyo转换标注的json数据集没有问题，则也能在图上画出框

'''
def third_toview():
    json_path = root_dir+'/annotations/instances_val2017.json'
    # json_path = r'predictions.json'
    img_path = root_dir+'/images'  #json对应的图片
    
    # load coco data
    coco = COCO(annotation_file=json_path)
    
    # get all image index info
    ids = list(sorted(coco.imgs.keys()))
    print("number of images: {}".format(len(ids)))
    
    # get all coco class labels
    coco_classes = dict([(v["id"], v["name"]) for k, v in coco.cats.items()])
    
    # 遍历前三张图像
    for img_id in ids[:3]:
        # 获取对应图像id的所有annotations idx信息
        ann_ids = coco.getAnnIds(imgIds=img_id)
    
        # 根据annotations idx信息获取所有标注信息
        targets = coco.loadAnns(ann_ids)
    
        # get image file name
        path = coco.loadImgs(img_id)[0]['file_name']
    
        # read image
        img = Image.open(os.path.join(img_path, path)).convert('RGB')
        draw = ImageDraw.Draw(img)
        # draw box to image
        for target in targets:
            x, y, w, h = target["bbox"]
            x1, y1, x2, y2 = x, y, int(x + w), int(y + h)
            draw.rectangle((x1, y1, x2, y2))
            draw.text((x1, y1), coco_classes[target["category_id"]])
    
        # show image
        plt.imshow(img)
        plt.show()
first_to_annostxt()
secon_tojson()
third_toview()

如图所示准备数据即可
在这里插入图片描述

参考https://blog.csdn.net/m0_59967951/article/details/126703053

一休哥※
关注
  • 1
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
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 1900
YOLO v5调用coco API 评估数据集结果
从零训练yolov5在COCO数据集上的模型和结果
04-25
5. **模型评估**：在验证集上评估模型的性能，使用指标如平均精度（mAP）来衡量模型的检测效果。COCO数据集的mAP通常基于IoU（Intersection over Union）阈值计算。 6. **微调优化**：如果模型性能不理想，可以通过...
YOLOv5的Tricks | 【Trick15】使用COCO API评估模型在自己数据集的结果
北屿的博客
05-11 140
转载至亲测可用。
YOLOv8使用COCO评价指标，解决AssertionError: Results do not correspond to current coco set.
最新发布
方温热的博客
06-06 391
YOLO评测指标和COCO评测指标还是有些区别的，通过数据表明YOLO评测指标要比COCO评测指标高2,3个点都是正常的。跟着流程走吧！！
YOLOV5 COCO评估指标small、medium、large 自定义概念
南栀北辰SDN的博客
04-25 610
在 cocoeval.py文件中， def setDetParams(self)和 def setKpParams(self)中areaRng 对应部分，这里我定义小目标小于64*64。在val.py文件中找到from pycocotools.cocoeval import COCOeval。按照Ctrl+鼠标点击COCOeval 跳转到 cocoeval.py文件。说明没有小于32的，但是我又想结果有small，所以进行了修改定义。medium: 中目标 (32-96 )
3.yolov5目标检测-常用评估指标
大李出奇迹的博客
05-02 1万+
yolov5官网的模型评估对比图 需要借助狼来了的故事了解：真阳性，假阳性，假阴性，真阴性。 IOU：交并比，用来筛选最终预测出来的边界框。 通过求标注和预测的交并比，可以得到一个预测准确度的指标。 GA、GB、GC是标注的内容，P1234是检测出的内容。 分别计算每次识别的IOU。 我们把P4作为了GB的最佳匹配框，所以P3就变成了假阳性。 计算recall的时候，有三个标注，所以分母就是3. 计算方式会选择向右拉直。 之后的比赛就开始用所有的点了。 计算的都是右上角的矩形
非COCO数据集，使用pycocotools评价yolo模型的几点说明
Is_ever的博客
07-21 440
非COCO数据集，使用pycocotools评价yolo模型的几点说明
目标检测标注文件yolo v5格式转coco格式详解及代码实现
qq_39686950的博客
07-27 7445
文章目录前言一、yolo v5格式和coco格式解析1.yolo v5格式2.coco格式二、代码总结 前言   目标检测数据集的标注格式通常有三种格式：pascal voc、coco、yolo。因此当我们运行开源代码使之用于目标检测时，会遇到开源代码所要求的数据集和我们目前数据集格式不同的问题，修改开源代码耗时耗力，因此通常修改我们的数据集格式使其和开源代码要求的数据集格式相同，本文主要描述如何将yolo v5格式转换为coco格式。 一、yolo v5格式和coco格式解析 1.yolo v5格式 .
YOLO格式标注数据转COCO标注数据
风行
01-29 676
这里仅仅考虑person类别，如果考虑其他类别，则需要增加类别信息，稍作调整即可。 import json import os import imagesize import copy def txt_to_json(img_dir,annotation_dir,json_path,img_format='.jpg',annotation_format='.txt'): # json 文件主要两项内容 json_dict = dict() annotations = list()
yolov5-使用yolov5进行车辆检测-包括car+truck+ambulance.zip
03-05
训练完成后，我们可以评估模型在验证集上的性能，通常使用指标如平均精度(mean Average Precision, mAP)。如果模型表现良好，我们就可以将其部署到实际应用中，例如在视频流上实时检测车辆。 YOLOv5的另一个优势是...
yolov5最新代码 使用方法 与训练模型
09-19
虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。大家对YOLOv5算法的创新性半信半疑，有的人对其持肯定态度，有的人对其持否定态度。在我看来，YOLOv5检测...
yolov5-使用yolov5进行检查人员是否正确佩戴安全帽.zip
03-05
《使用YOLOv5进行安全帽检测：深入理解与实践》 YOLOv5，全称为You Only Look Once的第五代模型，是目标检测领域的一款高效、准确且易用的深度学习框架。该框架以其实时性能和在各种物体检测任务上的优秀表现，受到...
yolov5训练visdrone数据集
05-09
训练YOLOv5模型使用VisDrone数据集，首先需要对数据进行预处理，包括图像的重采样、尺寸调整以及标签的解析。VisDrone数据集中的标注通常采用COCO格式，每个图像文件关联一个json文件，包含各个对象的边界框坐标和...
使用cocotools对yolov5的检测结果进行评估
YUHANQING1996的博客
04-25 1132
用自制数据集训练yolov5，数据集是yolo的txt格式。训练完成后需要用coco指标衡量模型的性能。yolov5中的val.py没有带coco的测评，所以需要自己用pycocotools实现。
目标检测之COCO评价指标
Thomas_Cai的记忆殿堂
09-04 1万+
一、基础概念 TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次） FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量 FN: 没有检测到的GT的数量 Precision: TP / (TP + FP) Recall: TP / (TP + FN) PR曲线: Precision-Recall曲线 AP: PR曲线下面积 mAP: mean Average Precision, 即各类别AP的平均值 二、AP、mAP、AR、mAR计算 AP
YOLO使用COCO评价指标输出每个类别AP结果
小嘤熊的博客
12-11 611
在调用的文件中找到coco.py，cocoeval.py文件（pycharm通过Ctrl和鼠标跳转即可）appdesigner，gui设计、simulink仿真......希望能帮到你！如果你想要进一步了解更多的相关知识，、通信仿真、算法设计、
【目标检测】评价指标：mAP概念及其代码实现(yolo源码/pycocotools)
chu-xia的博客
01-10 5688
本篇文章首先介绍目标检测任务中的关键评价指标mAP的概念；然后介绍其在yolo源码和中的实现方法；最后比较两种mAP的计算方法的不同之处。
YOLOv5的参数与性能指标
热门推荐
asd123pwj的博客
05-22 2万+
文章首发及后续更新：https://mwhls.top/2428.html 新的更新内容请到mwhls.top查看。 无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。 基于NAIE平台的YOLOv5识别超超超可爱的逢坂大河如果有误，麻烦评论提出，谢谢。 目录 1. 传参 2. 评估参数 3. 如何提高mAP 4. 参考文献 传参conf_thresConfidence Threshold，置信度阈值。只显示预测概率超过conf_thres的预测结果。想让YOLO只标记可能性高的地方
【目标检测】YOLOv5算法实现(六)：评价指标及实现
chu-xia的博客
01-05 2831
本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码，删减了源码中部分内容，满足个人科研需求。本系列文章主要以YOLOv5为例完成算法的实现，后续修改、增加相关模块即可实现其他版本的YOLO算法。
yolov8使用pycocotools进行评估
09-25
YOLOv8是一种流行的目标检测算法，常用于计算机视觉任务中。为了评估YOLOv8的性能，可以使用pycocotools这个Python包。 pycocotools是一个用于评估目标检测算法的工具库，提供了计算预测结果与真实标注之间的准确率、精确率、召回率等指标的功能。 首先，需要通过YOLOv8模型对测试集中的图像进行目标检测，并生成预测结果。预测结果的格式通常是一个JSON文件，包含了检测到的目标的类别、位置和置信度等信息。 接下来，可以使用pycocotools提供的函数，将真实标注和预测结果加载到内存中。pycocotools提供了几个用于处理COCO数据集的辅助函数，如加载图像、标注等。 然后，可以使用pycocotools的函数来计算预测结果与真实标注之间的各种指标。常用的指标包括平均精确率、平均召回率、平均准确率等。这些指标可以用于评估算法的性能，并与其他算法进行比较。 最后，可以将评估结果保存到文件中，以供进一步分析和比较。通常，会生成一个包含各种指标的文本文件，以便于后续的统计和可视化操作。 总之，YOLOv8使用pycocotools进行评估是非常常见和有效的。pycocotools提供了一套功能丰富的工具，用于计算目标检测算法的性能指标，并可方便地与其他算法进行比较。
评论 4
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

打赏作者

一休哥※

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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