YOLOV5 COCO评估指标small、medium、large 自定义概念

最新推荐文章于 2025-03-10 08:37:46 发布
最新推荐文章于 2025-03-10 08:37:46 发布
阅读量2.3k 收藏 15
点赞数 7
文章标签： YOLO python 开发语言
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_46173016/article/details/138181714
版权

COCO评估指标small、medium、large官方默认：
small : 小目标 (框的面积小于32平方像素
medium: 中目标 (32-96 )
large : 大目标 (大于96 )
对用我的数据集来说，进行coco评价时出现：

Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1
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。

在val.py文件中找到from pycocotools.cocoeval import COCOeval在这里插入图片描述
按照Ctrl+鼠标点击COCOeval 跳转到 cocoeval.py文件。

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
在这里插入图片描述
最后运行结果：
在这里插入图片描述

芒果YOLOv7改进49：提升篇：输出COCOmAP指标：输出自定义数据集中small、medium、large大中小目标的mAP值S，M，L指标，适用于自定义数据集
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-02 1228
YOLOv7代码实践｜基本对齐YOLO自带mAP计算的精度，打印自定义数据集中small、medium、large大中小目标的mAP值
YOLOv5改进之输出COCOmAP指标：输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集，精度基本对齐，丰富实验数据，便于对比
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-08 6593
代码实践｜基本对齐YOLO自带mAP计算的精度，打印自定义数据集中small、medium、large大中小目标的mAP值，丰富实验数据，便于对比
YOLOv12计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码
最新发布
Limiiiing的博客
03-10 158
COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。
如何使用YOLOv5的pycocotools进行coco指标评估
qq_44224801的博客
04-19 2573
之后将YOLO的txt文件生成需要使用的txt文件。json文件存放位置，放到测试文件总目录下。测试没有问题，就可以使用了。
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 1055
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 8160
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 .
目标检测 YOLOv5中使用COCO数据集
二分掌柜的
04-07 6674
目标检测 YOLOv5中使用COCO数据集 flyfish 第一步 打开general_json2yolo.py if __name__ == '__main__': source = 'coco' if source == 'coco': convert_coco_json('../../Downloads/coco/annotations/') 改成自己的COCO文件所在目录 第二步 执行 python general_json2yolo.py 生成结果如下 ├──
coco评价指标
poorfriend的博客
11-10 6847
cocoapi 示例： Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 = 0.17, 0.20, 0.03 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 = 0.34, 0.37, 0.03 Aver
coco指标解读
weixin_44511447的博客
12-27 781
在不同 IoU 阈值（从 0.50 到 0.95）、不同目标大小范围（all 表示所有大小的目标）、以及最大检测数（maxDets=100）下的平均精度为 0.632。在 IoU 阈值为 0.50、所有目标大小范围和最大检测数为 100 的条件下的平均精度为 0.906。在 IoU 阈值为 0.75、所有目标大小范围和最大检测数为 100 的条件下的平均精度为 0.729。在不同 IoU 阈值、小目标大小范围和最大检测数为 100 的条件下的平均精度为 0.107。
使用cocotools对yolov5的检测结果进行评估
YUHANQING1996的博客
04-25 1395
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。
YOLOv8自用数据集输出COCO评价指标（包含大中小物体的AP值）解决AssertionError: Results do not correspond to current coco set问题
weixin_46170504的博客
03-08 4491
只需修改之前json文件与修改后新生成json文件的路径即可 通过两个文件（分别对应之前的两个json文件与新生成的统一格式的json文件） 运行这两个python文件，最后在get_coco_metrics.py文件中将两个json文件的路径修改为调整后的json文件路径，运行get_coco_metric.py文件，成功输出coco评价指标！若为imageid不匹配则可新建两个python文件分别将两个json文件的image_id调为相同的格式 ，image_id.py文件内容如下。
芒果YOLOv8改进47：写作篇：新增YOLOv8实验对比COCOmAP指标，即插即用，输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集（内附源代码）
包括YOLOv5、YOLOv7、YOLOv8等模型改进
12-20 3044
🚀即插即用 | YOLOv8改进之新增COCOmAP指标：输出自定义数据集中small、medium、large大中小目标的mAP值
芒果YOLOv10改进49：写作篇：新增YOLOv10实验对比COCOmAP指标，即插即用，输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集（内附源代码）
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-11 242
YOLOv10改进：写作篇：新增YOLOv10实验对比COCOmAP指标，即插即用，输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集（内附源代码）
YOLOv5的Tricks | 【Trick15】使用COCO API评估模型在自己数据集的结果
Clichong
08-29 5859
如有错误，恳请指出。在解析yolov5整个工程项目的时候要，已经对其detect.py脚本和val.py脚本进行分别的解析。其中，个人觉得detect脚本写得过于冗杂，所以分别为每个任务（图片推理，视频推理，摄像头推理）单独的写了个简单易懂的推理脚本。在之前在解析完val.py脚本之后，一直想同样地对其进行简化，现在用这篇博客来记录简化过程以及出现的问题。一般来说，现有的标注格式就是xml格式，yolo的txt格式还有coco的json标注特殊，我们使用yolov5项目来说标注文件就是一堆txt文件，文件名
芒果YOLO11改进65：写作篇：新增YOLO11实验对比COCOmAP指标，即插即用，输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集（内附源代码）
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-07 224
输出类似COCO数据集的mls指标，新增YOLO11实验对比COCOmAP指标，即插即用，输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集（内附源代码）
YOLOv11计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码
Limiiiing的博客
02-22 1128
COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。
论文必备 - YOLOv11统计数据集中大、中、小目标数量，附完整代码和详细使用步骤
Limiiiing的博客
10-24 1515
数据集是由微软开发维护的大型图像数据集。数据集标注类型对应任务包括物体检测、关键点检测、实例分割、stuff分割（没有特定形状的物体），全景分割人体关键点， 人体密度检测等。官网数据规模和样本特点数据规模大：总共包含32.8万张图像）。其中标注过的图像超过 20 万张，拥有 150 万个目标实例，数据量丰富，能够为模型训练提供充足的信息。类别丰富：包含80个目标类别和91个“stuff”类别。目标类别涵盖了日常生活中常见的各种物体，如人、动物、交通工具、生活用品等；stuff。
YOLOv5使用pycocotools进行评价笔记
weixin_55780832的博客
05-06 682
，得到了COCO形式评价结果。但是在过程中仍遇到一个关于pred_json的问题，该文件的产生需要运行原始的val.py，生成best_predictions.json后，并放置到下面代码中相应的位置。然后运行，得到COCO的评价结果。因研究方向需要，需要评价结果显示小目标的P和R，受益于以下这篇博文(以下是代码，与借鉴的博文一致。运行，得到COCO的评价结果。
目标检测之COCO评价指标
热门推荐
Thomas_Cai的记忆殿堂
09-04 2万+
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
yolov9评价指标coco
01-10
### YOLOv9在COCO数据集上的评估指标 对于YOLOv9模型，在COCO数据集上使用的评估指标遵循标准的COCO检测评估协议[^1]。这些评估指标主要包括以下几个方面： #### 平均精度（Average Precision, AP） AP是在不同IoU阈值下计算得到的平均精度，用于衡量目标检测算法的整体性能。具体来说，COCO数据集中常用的AP度量包括： - **AP@[.50:.95]**：这是综合考虑多个IoU阈值范围内的平均精度，即从0.5至0.95之间每隔0.05取一个点来计算最终的结果。 - **AP@.50** 和 **AP@.75**：分别表示当IoU设定为固定值0.5和0.75时所对应的平均精度。 #### 不同尺度下的表现 为了更全面地反映模型的表现，还会针对大中小三种尺寸的目标单独报告AP分数: - **APS (small objects)**: 小物体的平均精度 - **APM (medium objects)**: 中等大小物体的平均精度 - **APL (large objects)**: 大型物体的平均精度 #### 召回率（Recall） 除了AP之外，召回率也是重要的评价维度之一。它反映了被正确识别并定位出来的实例占所有真实存在实例的比例。同样地，也会给出不同IoU条件下的AR（average recall），以及按类别规模划分的具体数值。 ```python import numpy as np def calculate_ap(precision, recall): """Calculate average precision from precision and recall lists.""" mrec = np.concatenate(([0.], recall, [1.])) mpre = np.concatenate(([0.], precision, [0.])) for i in range(mpre.size - 1, 0, -1): mpre[i - 1] = max(mpre[i - 1], mpre[i]) i = np.where(mrec[1:] != mrec[:-1])[0] ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1]) return ap precision_values = [...] # 假设这里填充了实际的精确度列表 recall_values = [...] # 同样假设这里是真实的召回率序列 ap_score = calculate_ap(precision_values, recall_values) print(f"The calculated Average Precision is {ap_score}") ``` 上述Python代码片段展示了如何基于给定的精确度和召回率数组手动计算单类别的AP得分。当然，在实践中通常会利用框架自带的功能来进行此类运算。
评论
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

南栀北辰SDN

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