用Python做多曲线对比图，----论文map，精度，损失一图多曲线对比

已于 2022-08-06 19:58:10 修改
阅读量4.8k 收藏 119
点赞数 12
文章标签： python 目标检测 计算机视觉 人工智能 深度学习
于 2022-08-06 19:06:15 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_45294476/article/details/126199524
版权

用Python做多曲线对比图，----论文map，精度，损失一图多曲线对比

很多时候都需要在一张图中做多曲线的效果对比，比如统一数据集不同方法，论文作图等。
直接上代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

#导入实验数据
df1 = pd.read_csv(r"D:\results.csv")
df2 = pd.read_csv(r"D:\results.csv")
df3 = pd.read_csv(r"D:\results.csv")
df4 = pd.read_csv(r"D:\results.csv")
df5 = pd.read_csv(r"D:\results.csv")

#查看列名，因为有的会有空格等
df1.columns
#比如我自己的输出结果是这样的，如果map不复制这个可能会导致下面程序报错
'''
out=Index(
最低0.47元/天 解锁文章
纯粹ss
关注
【SCI绘图】【曲线图系列2 python】多类别标签对比的曲线图
crasher123的博客
04-05 469
SCI，CCF，EI及核心期刊。
多个最佳模型的ROC曲线对比分析 Python
TechGlide的博客
09-05 377
ROC曲线能够通过比较分类器在不同阈值下的真正例率（True Positive Rate，TPR）和假正例率（False Positive Rate，FPR）来帮助我们理解模型的性能。通过对比不同模型的ROC曲线和AUC值，我们可以直观地了解模型的分类性能。图表中的曲线越靠近左上角，表示模型的性能越好。同时，我们还计算并显示了每个模型的AUC（曲线下面积）值，AUC值越接近1，表示模型的性能越好。通过对比不同模型的曲线和AUC值，我们可以更好地评估和选择最佳模型，从而提升分类任务的性能。
Python绘制表格数据线性对比图
crazy121121的博客
08-26 408
本文介绍了如何使用Python代码生成算法训练结果的线性结果对比图，适用于论文中展示实验效果。
Python: 曲线比较
DeniuHe的博客
07-18 1479
import numpy as np import matplotlib.pyplot as plt A = [] for m in range(3,21): A.append(m*(m-1)/2) B = [] for m in range(3,21): temp = 1 for i in range(2,m): temp += np.floor(np.log2(i))+1 B.append(temp) print(A) ...
python绘制多个曲线的折线图
01-01
这篇文章利用的是matplotlib.pyplot.plot的工具来绘制折线图，这里先给出一个段代码和结果图： # -*- coding: UTF-8 -*- import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt #这里导入你自己的数据 #...... #...... #x_axix，train_pn_dis这些都是长度相同的list() #开始画图 sub_axix = filter(lambda x:x 0 == 0, x_axix) plt.title('Result Analysis
Python-matplotlib实现多条曲线画在一张图上
热门推荐
weixin_41743584的博客
12-01 1万+
调用Python包 import matplotlib.pyplot as plt import pandas as pd from matplotlib.pyplot import MultipleLocator plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号 造数-DataFrame df = pd.DataFrame([['201.
YOLOv8训练损失、mAP画图功能 | 支持多结果对比，多结果绘在一个图片（科研必备）
Snu77的博客
01-02 8287
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，目前本专栏免费阅读(暂时，大家尽早关注不迷路~)，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
YOLOv10训练损失、mAP画图功能 | 支持多结果对比，多结果绘在一个图片（科研必备）
Snu77的博客
07-13 1466
本文给大家带来的是YOLOv10系列的绘图功能，我将向大家介绍YOLO系列的绘图功能。我们在进行实验时，经常需要比较多个结果，针对这一问题，我写了点代码来解决这个问题，它可以根据训练结果绘制损失(loss)和mAP（平均精度均值）的对比图。这个工具不仅支持多个文件的对比分析，还允许大家在现有代码的基础上进行修，从而达到数据可视化的功能，大家也可以将对比图来放在论文中进行对比也是非常不错的选择。先展示一下效果图->YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备​损失对比图象->​目录。
csv文件绘制对比图map0.5、map50-90、precision(B)、recall(B)
m0_56843848的博客
08-12 477
【代码】csv文件绘制对比图map0.5、map50-90、precision(B)、recall(B)
YOLOv11训练损失、mAP画图功能 | 支持多结果对比，多结果绘在一个图片（科研必备）
Snu77的博客
11-05 992
本文给大家带来的改进是YOLOv11系列的绘图功能，我将向大家介绍YOLO系列的绘图功能。我们在进行实验时，经常需要比较多个结果，针对这一问题，我写了点代码来解决这个问题，它可以根据训练结果绘制损失(loss)和mAP（平均精度均值）的对比图。这个工具不仅支持多个文件的对比分析，还允许大家在现有代码的基础上进行修，从而达到数据可视化的功能，大家也可以将对比图来放在论文中进行对比也是非常不错的选择。先展示一下效果图->YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备​​损失对比图象->​。
python画yolo目标检测的loss曲线和mAP曲线等.zip
08-12
python画yolo目标检测的loss曲线和mAP曲线等
比较曲线相似度zzzzzz
12-14
用余弦相似度与距离差比较曲线相似度，提出位移比较法对曲线初始位置不一致有较好处理效果，纯C代码未调第三方库，所有原理与代码均有注解，适合数据处理与图像处理用
YOLOv5训练损失、精度、mAP绘图功能 | 支持多结果对比，多结果绘在一个图片（消融实验、科研必备）
Snu77的博客
01-07 2144
本文给大家带来的是YOLOv5系列的绘图功能，我将向大家介绍YOLO系列的绘图功能。我们在进行实验时，经常需要比较多个结果，针对这一问题，我写了点代码来解决这个问题，它可以根据训练结果绘制损失(loss)和mAP（平均精度均值）的对比图。这个工具不仅支持多个文件的对比分析，还允许大家在现有代码的基础上进行修，从而达到数据可视化的功能，大家也可以将对比图来放在论文中进行对比也是非常不错的选择。先展示一下效果图->YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新​损失对比图片->​目录。
【经典代码】绘制不同模型的准确率和损失函数对比图
weixin_44943389的博客
01-03 2226
【代码】【经典代码】绘制不同模型的准确率和损失函数对比图。
绘制区分度曲线（Andrews Curve）python
学习使你进步。
05-28 606
总之，区分度曲线是一种有效的多维数据可视化方法，可以帮助我们发现不同类别之间的差异。在Python中，我们可以使用Pandas和Matplotlib库来绘制这些曲线，并对数据集进行分析。在Python中，我们可以使用Pandas和Matplotlib库绘制区分度曲线。以下是一个简单的示例，在此示例中，我们将绘制基于鸢尾花数据集的区分度曲线。区分度曲线是一种将多维数据可视化的方法，可以让我们看到不同类别之间的差异。通过观察曲线的形状，我们可以看到不同类别之间的差异。
使用一个`plot`绘制多条曲线时共用一个图例条目
m0_70283041的博客
03-03 2577
使用一个`plot`绘制多条曲线时共用一个图例条目
Python 根据csv表格的数据画趋势图或者实时展现折线图
huajian225的博客
05-10 1011
Python根据csv表格的数据画趋势图或者实时展现折线图。1、实时绘图监视系统获取内存占用信息。2、根据统计结果绘制图片并保存。
Python SVM 我自己设计了三种不同的loss function，并对比了效果
Kp0fS的草稿纸
08-06 541
# 解决分类问题 import math from LinearRegression import * def calDistance(x,y,w,b): r""" 计算一个点(x,y)到直线(w,b)的距离 :param x: point x :param y: point y :param w: 直线的斜率 :param b: 直线的截距 :return: 返回距离 """ x0 = x y0 = y x1 =.
YOLOv5改进前后曲线对比图：mAP50，mAP50-90，Loss
qq_46542320的博客
08-31 6911
其中：result1.csv是原始结果；result2.csv是改进后的结果。
使用cascade rcnn算法检测2d图像的Precision、Racall、F1-Score、mAP、IoU
最新发布
03-16
<think>好的，我需要帮助用户评估Cascade R-CNN算法在2D图像目标检测中的性能指标，包括Precision、Recall、F1-Score、mAP和IoU。首先，我应该回顾这些指标的定义和计算方法，然后结合Cascade R-CNN的特点来解释评估步骤。 首先，Precision（精确率）和Recall（召回率）是基础指标，分别衡量检测的准确性和覆盖率。F1-Score是两者的调和平均，综合评估模型性能。对于目标检测任务，IoU（交并比）用于判断检测框与真实框的重叠程度，通常设定阈值（如0.5）来判断是否为正确检测。而mAP（平均精度均值）则是多个IoU阈值下或不同类别间的平均精度，是目标检测中的重要指标[^1]。 接下来，我需要考虑Cascade R-CNN的结构。它通过级联多个检测器，逐步提高IoU阈值，从而改善检测质量。这意味着在评估时，可能需要关注不同阶段的性能变化，或者不同IoU阈值下的mAP表现。例如，原论文中可能提到在较高IoU阈值下，Cascade R-CNN的表现优于其他模型，这需要在评估时验证。 然后是具体评估步骤。数据准备方面，用户需要确保有标注好的测试集，包括每个目标的类别和边界框。模型推理后，得到预测框及其置信度。接下来是匹配预测框和真实框，通常基于IoU和类别是否一致。这里要注意NMS（非极大值抑制）的应用，避免重复检测影响评估结果。 计算每个类别的Precision和Recall时，需要统计TP、FP、FN。例如，对于每个类别，在所有测试图片中累计这些数值，然后计算Precision=TP/(TP+FP)和Recall=TP/(TP+FN)。F1-Score则是2*(Precision*Recall)/(Precision+Recall)。 对于mAP的计算，可能有不同的变体，比如COCO数据集的mAP是在0.5到0.95的IoU阈值范围内，以0.05为步长计算平均AP。而PASCAL VOC通常使用0.5的固定阈值。用户需要明确他们遵循的标准，可能是参考COCO或自定义的范围。 在实现工具方面，MMDetection和Detectron2等框架提供了评估脚本，用户可以直接使用这些工具生成结果。同时，可视化分析错误案例，如混淆矩阵或PR曲线，能帮助用户理解模型在哪些类别或场景下表现不佳。 最后，用户可能需要比较不同模型或配置下的结果，例如调整Cascade R-CNN的级联阶段数或IoU阈值，观察对mAP的影响。此外，数据增强、骨干网络的选择等优化策略也可能提升性能，这些可以作为后续的优化方向。 总结来说，我需要分步骤解释每个指标的计算方法，结合Cascade R-CNN的特性，指导用户如何准备数据、运行评估，并分析结果。同时，提醒注意点如NMS的影响和不同mAP标准的区别，确保评估的准确性。</think>### Cascade R-CNN在2D目标检测中的性能评估方法 #### 1. 基础指标定义 - **精确率（Precision）**：$Precision = \frac{TP}{TP+FP}$ 表示正确检测的目标占所有预测为正样本的比例[^1]。 - **召回率（Recall）**：$Recall = \frac{TP}{TP+FN}$ 表示正确检测的目标占所有真实正样本的比例。 - **F1-Score**：$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$ 综合精确率和召回率的平衡指标。 #### 2. 目标检测专用指标 - **IoU（交并比）**： $$ IoU = \frac{Area(B_{pred} \cap B_{gt})}{Area(B_{pred} \cup B_{gt})} $$ 用于衡量预测框$B_{pred}$与真实框$B_{gt}$的重叠程度，通常以阈值（如0.5）判定是否为有效检测。 - **mAP（平均精度均值）**： 对每个类别计算PR曲线下面积（AP），再对所有类别取平均。COCO数据集的mAP采用多阈值计算： $$ mAP_{COCO} = \frac{1}{10}\sum_{IoU=0.5}^{0.95} AP_{IoU} $$ #### 3. Cascade R-CNN评估流程 **步骤1：数据准备** - 使用标注好的测试集，需包含： ```json { "image_id": "0001.jpg", "bbox": [x_min, y_min, width, height], // 真实框 "category_id": 2 } ``` **步骤2：模型推理** 通过Cascade R-CNN生成预测结果： ```python # 使用MMDetection示例 from mmdet.apis import init_detector, inference_detector model = init_detector(config_file, checkpoint_file) result = inference_detector(model, img) # 输出格式：[[x1,y1,x2,y2,score], ...] 按类别分组 ``` **步骤3：匹配预测与真实框** 使用IoU阈值进行匹配： ```python def match_boxes(pred_boxes, gt_boxes, iou_threshold=0.5): iou_matrix = calculate_iou(pred_boxes, gt_boxes) matched_indices = hungarian_algorithm(iou_matrix) # 匈牙利算法匹配 return TP, FP, FN ``` **步骤4：指标计算** - **逐类统计**：对每个类别独立计算TP/FP/FN ```python for class_id in all_classes: ap = compute_ap(recall, precision) # 积分法或插值法 mAP = average(ap_list) ``` #### 4. 工具与优化 - **评估框架**： ```bash # 使用COCO API评估 python tools/test.py configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py \ checkpoints/cascade_rcnn_r50_fpn_1x_coco.pth \ --eval bbox ``` - **可视化分析**： ![PR曲线示例](https://cocodataset.org/images/detection-pr-curve.png) （通过PR曲线观察不同置信度阈值下的表现） #### 5. Cascade R-CNN特性影响 其级联结构会显著影响高IoU阈值下的指标： $$ \text{阶段1 IoU=0.5} \rightarrow \text{阶段2 IoU=0.6} \rightarrow \text{阶段3 IoU=0.7} $$ 实验表明，在IoU=0.7时，Cascade R-CNN比Faster R-CNN的AP提升约5%。
评论 5
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