YOLOv8目标检测模型性能指标

学习视频：【YOLOv8小白入门09】目标检测模型性能指标_哔哩哔哩_bilibili

性能三要素：类别、置信度（confidence）、交并比（IOU）

TP：IOU>0.5的预测框的数量（一个GT只参与一次比较）

FP：OU<=0.5的预测框的数量（一个GT只参与一次比较）

FN：没有检测到的GT的数量

P（精准度） = TP / （TP + FP）  # 所有预测框中预测正确的比例

R（查全率） = TP / （TP + FN）  # 所有GT框中被正确预测的比例

P-R图：

将所有训练集的预测框按照置信度从大到小排列：

从第一个数据开始逐个计算当前所有行的PR值：

计算出区域内曲线（凹处可以拉平）：

总结：

 对比多个模型生成的csv文件数据：

import os
import pandas as pd
import matplotlib.pyplot as plt
from scipy.interpolate import UnivariateSpline
import numpy as np


def get_csv_files(directory):
    """
    获取指定目录下的所有CSV文件
    """
    csv_files = []
    for root, dirs, files in os.walk(directory):
        for file in files:
            if file.endswith('.csv'):
                csv_files.append(os.path.join(root, file))
    return csv_files


def read_csv_files_to_dict(csv_files):
    """
    将每个CSV文件的内容读入字典，键为文件名，值为DataFrame
    """
    csv_dict = {}
    file_names = []
    for file in csv_files:
        file_name = os.path.basename(file)
        file_names.append(file_name)
        df = pd.read_csv(file)
        csv_dict[file_name] = df
    return csv_dict, file_names

def print_mAP50_95(csv_dict, file_names):
    # 提取指定列
    column_name = '    metrics/mAP50-95(B)'
    # 曲线平滑
    def moving_average(interval, windowsize):
        p = k // 2
        # 首尾元素重复 p 次
        new_arr = np.concatenate((np.repeat(interval[0], p), interval, np.repeat(interval[-1], p)))
        window = np.ones(int(windowsize)) / float(windowsize)
        re = np.convolve(new_arr, window, "same")
        return re
    # 一个一个模型的数据进行循环
    num = 0
    for filename in file_names:
        # 颜色列表
        colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k']
        sp = csv_dict[filename][column_name].values
        # sp = sp[:195]
        # 方法1：使用 split 方法
        parts = filename.split('.')
        if len(parts) > 1:
            name = parts[0]
        else:
            name = ""
        plt.xlim(0, len(sp))
        plt.ylim(0, max(sp+0.05))
        plt.plot(sp, linestyle='--', color=colors[num])
        # 曲线平滑
        k = 19
        y_av = moving_average(sp, k)
        p = k//2
        sp_smooth = y_av[p:-p]
        # 绘制平滑后的曲线
        plt.plot(sp_smooth, color=colors[num], label=name)
        num += 1
    # 添加图例
    plt.legend()
    plt.grid(True)
    plt.xlabel('epoch')
    plt.ylabel('mAP50-95')
    plt.show()


def print_mAP50(csv_dict, file_names):
    # 提取指定列
    column_name = '       metrics/mAP50(B)'
    # 曲线平滑
    def moving_average(interval, windowsize):
        p = k // 2
        # 首尾元素重复 p 次
        new_arr = np.concatenate((np.repeat(interval[0], p), interval, np.repeat(interval[-1], p)))
        window = np.ones(int(windowsize)) / float(windowsize)
        re = np.convolve(new_arr, window, "same")
        return re
    # 一个一个模型的数据进行循环
    num = 0
    for filename in file_names:
        # 颜色列表
        colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k']
        sp = csv_dict[filename][column_name].values
        sp = sp[:192]
        # 方法1：使用 split 方法
        parts = filename.split('.')
        if len(parts) > 1:
            name = parts[0]
        else:
            name = ""
        plt.xlim(0, len(sp))
        plt.ylim(0, max(sp+0.05))
        plt.plot(sp, linestyle='--', color=colors[num])
        # 曲线平滑
        k = 25
        y_av = moving_average(sp, k)
        p = k//2
        sp_smooth = y_av[p:-p]
        # 绘制平滑后的曲线
        plt.plot(sp_smooth, color=colors[num], label=name)
        num += 1
    # 添加图例
    plt.legend()
    plt.grid(True)
    plt.xlabel('epoch')
    plt.ylabel('mAP50')
    plt.show()


if __name__ == '__main__':
    csv_files = get_csv_files("./data")
    csv_dict,  file_names = read_csv_files_to_dict(csv_files)
    print_mAP50_95(csv_dict, file_names)
    # modelnum = len(csv_dict)
    # # 提取指定列
    # column_name = '    metrics/mAP50-95(B)'
    # name = file_names[0]
    # mat = csv_dict[name]
    # mAP_values = mat[column_name]
    #
    # # 绘制曲线图
    # plt.plot(mAP_values, marker='o')
    # plt.title('Metrics mAP50-95(B) Over Time')
    # plt.xlabel('Index')
    # plt.ylabel('mAP50-95(B)')
    # plt.grid(True)
    # plt.show()
    # print(csv_dict)