[PocketFlow]解决在coco上mAP非常低的bug

1.问题

---

继上次训练挂起的bug后，又遇到了现在评估时AP非常低的bug。具体有多低呢？Pelee论文中提到，用128的batchsize大小在coco数据集上训练70K次迭代后，AP@0.5:0.95为22.4，而我用32的batchsize反复微调之后，最后AP也只从2.9上升到了3.7...下图为训练的过程：

2.解决

---

其实看loss和accuracy还是可以的，但是ap就是上不去，粗略想到了4个地方可能存在的问题：

• 训练有误
  因为尝试了各种学习率，而且在各个学习率下都是训练到ap和loss都不变之后才改变学习率，因此我想不出训练还有什么其他花样了...排除
• 数据有误
  因为coco的数据是自己转换的，说实话对这块还是有点不放心的。况且之前训练的bug已经检查过数据了，看样子是没什么问题。现在再检查工作量也比较大，存疑，先放着
• 模型有误
  模型在voc数据集上能成功复现，排除
• 计算有误
  因为coco评估的脚本是在voc上改的，生成json文件之后再使用官方的cocoapi计算。所以有很大可能是生成json文件的脚本哪里写错了

综上，先排查评估是否有计算错误。
但是没看出来...于是，我寻思着在原来的voc_eval.py文件上做一些修改，以适配coco，再用voc的方式评估。虽然计算方式有差别，但不会差太远。如果ap变化不大，那说明计算方式没有问题，需要检查数据(最怕的就是这种情况，因为工作量很大，而且数据也容易出错，还好gt标错的坑已经提前踩了，想想就可怕)；反之就是评估计算有问题。

# voc_eval.py 程序结构
def do_python_eval(dataset_path, pred_path, use_07=True):
aps = []
#对每个类别：执行
rec, prec, ap = voc_eval(filename, # 每个类别的预测文件result_x.txt
    os.path.join(dataset_path, anno_files), # 每张图片的标注文件
    os.path.join(dataset_path, all_images_file), # 所有图片的文件名文件
    cls_name, # 类别名
    cache_path, # 用于暂存所有图片的标注
    ovthresh=0.5,
    use_07_metric=use_07_metric)
aps += [ap]
#将rec, prec和ap 存到对应类别的 xx_pr.pkl文件
#打印AP和mAP

def voc_eval(detpath,
                     annopath,
                     imagesetfile,
                     classname,
                     cachedir,