目标检测精度计算工具

工具安装

github.com
按照他markdown安装就行，如果conda环境装不了就手动一个一个装。

使用方法

github上也有使用方法，可以先看一下github上的，然后下面是我选择的一种方法。因为github没有给具体的转换脚本，所以后续可以用我这种方法。

第一个主要步骤是选择GT和img

我这里用的xml格式的标注文件，我试过了用yolo也可以。最后点一下左下角那个位置的GT评估就可以知道这一步操作对不对了，如果对的会出来一个统计label的窗口。

第二步是选择对应的推理结果：

我这里选择的推理结果格式是：
class_id， confidence，xmin，ymin，xmax，ymax

由于我选的是class_id这类格式，所以还需要一个映射class和class_id的文件，就是跟yolo格式用的那个文件一样就行了。

下面是我用trt模型推理生成推理结果的脚本：

parser = argparse.ArgumentParser()
    parser.add_argument('-i', '--image_path', default='/root/smh/trt_val/images', help='image file path',
                        required=False)
    args = parser.parse_args()
    Yolov5 = Yolov5TRT(r'/root/smh/steak/script/steak_v1.0.3_20221205_fp16.trt', 13)
    class_map = ['rdish', 'sdish', 'rsteak', 'steak','broccoli', 'potato', 'tomato', 'corn','sauce', 'logo','cut', 'iron', 'block']
    img_list = glob.glob(os.path.join(args.image_path, '*.jpg'))
    
    for img_path in img_list:
        content = []
        # out_path = img_path.split('/')[-1]
        img_name = img_path.split('/')[-1]
        t1 = time.time()
        img = cv2.imread(img_path)
        boxes, confs, classes = Yolov5.detect(img)
        for b, c, cls in zip (boxes, confs, classes):
            r = "%s %.2f %d %d %d %d\n" % (int(cls), np.float(c[0]), b[0], b[1], b[2], b[3])
            content.append(r)
        # print(boxes, confs, classes)
        # draw_results(img, boxes, confs, classes, out_path)
        t2 = time.time()
        print("Inference time: ", t2 - t1)
        with open(os.path.join('/root/smh/trt_val/det_labels', img_name.replace('.jpg', '.txt')), 'w') as f:
            # for c in content:
            #     f.writelines(c+'\n')
            f.writelines(content)

同样最后可以点一下左下角评估一下推理的结果：

第三步就是输出精度结果了

这里就是选择一下你输出的文件夹，其余的一些精度指标可以自己探索一下了，如果成功输出，文件夹会多出很多统计精度的图片。