使用voc_eval.py计算mAP及源码分析

voc_eval.py地址为https://github.com/rbgirshick/py-faster-rcnn/blob/master/lib/datasets/voc_eval.py

mAP计算过程

输入： 

1、各类检测到的目标框txt文件

txt文件内容如下，第一列是图像名字（不带后缀），第二列是置信度，剩下依次是xmin、ymin、xmax、ymax

2、Annotations文件

3、验证图像名字列表

4、compute_mAP.py  +  voc_eval.py  （代码见下）

输出：

计算结果

compute_mAP.py代码及解析

#-*- coding: utf-8 -*-
import os
import numpy as np

from voc_eval import voc_eval   # 注意将voc_eval.py和compute_mAP.py放在同一级目录下

detpath = 'Path to dets txt'   # 各类txt文件路径
detfiles = os.listdir(detpath)

classes = ('__background__', # always index 0 数据集类别
                  'class1', 'class2', 'class3', 'class4', 'class5', 'class6')


aps = []      # 保存各类ap
recs = []     # 保存recall
precs = []    # 保存精度

annopath = 'Path to Annotations' + '{:s}.xml'    # annotations的路径，{:s}.xml方便后面根据图像名字读取对应的xml文件
imagesetfile = 'Path to VOC2007/ImageSets/Main/test.txt'  # 读取图像名字列表文件
cachedir = 'Path to annotations_cache/'

for i, cls in enumerate(classes):
    if cls == '__background__':
        continue
    for f in detfiles:    # 读取cls类对应的txt文件
        if f.find(cls) != -1:
            filename = detpath + f

    rec, prec, ap = voc_eval(        # 调用voc_eval.py计算cls类的recall precision ap
        filename, annopath, imagesetfile, cls, cachedir, ovthresh=0,
        use_07_metric=False)

    aps += [ap]

    print('AP for {} = {:.4f}'.format(cls, ap))
    print('recall for {} = {:.4f}'.format(cls, rec[-1]))
    print('precision for {} = {:.4f}'.format(cls, prec[-1]))

print('Mea