1.批处理测试图输出检测结果文本
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg results/yolov3-voc_final.weights -out detect_result.txt -gpus 0,1 -thresh .5
使用detector valid参数,具体函数是detector.c下的validate_detector函数。将训练集的检测结果保存到detect_result.txt。
修改txt文件名为检测的类别名,我的标签是person,即person.txt
2.使用py-faster-rcnn下的voc_eval.py计算mAP
将py-faster-rcnn/lib/datasets/voc_eval.py拷贝到darknet根目录
新建compute_mAP.py
-
from voc_eval import voc_eval
-
print voc_eval('/xxx/darknet/results/{}.txt', '/xxx/darknet/scripts/VOCdevkit/VOC2007/Annotations/{}.xml', '/xxx/darknet/scripts/VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'person', '.')
重复执行需要删除 ./darknet/annots.pkl
执行python compute_mAP.py,voc_eval.py中返回的最后一个值即AP,检测单类就是mAP
3.计算recall
修改detector.c下的validate_detector_recall函数
替换list *plist = get_paths("data/coco_val_5k.list");为list *plist=get_paths("scripts/train.txt");自己的训练集文本
./darknet detector recall cfg/voc.data cfg/yolov3-voc.cfg results/yolov3-voc_final.weights
最后一列为recall值。