python画pr曲线代码_Yolov3测试图及绘制PR曲线,yoloV3,map,和,画

最新推荐文章于 2024-06-01 17:23:25 发布
最新推荐文章于 2024-06-01 17:23:25 发布
阅读量1.3k 收藏 1
点赞数
文章标签： python画pr曲线代码
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_35621029/article/details/114449542
版权

训练指令：./darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 | tee train_yolov3.log

ps：For training with mAP (mean average precisions) calculation for each 4 Epochs (set valid=valid.txt or train.txt in obj.data file) and run: darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 -map

测试：

第一步：./darknet detector valid data/obj.data yolo-obj.cfg backup/yolo-obj_last.weights

第二部：python .\reval_voc_py3.py --voc_dir E:\darknet-master\build\darknet\x64\data\VOCdevkit

--year 2007 --image_set test --classes E:\darknet-master\build\darknet\x64\data\obj.names testForTower

1：测试集的ImageSets\Main里面只需要test.txt  这里的test和(命令中--image_set test中的test)

和(comp4_det_test_tower.txt中的test)需要一致

2: 每次都需要删除缓存文件annots.pkl

绘制PR曲线：

import _pickle as cPickle

import matplotlib.pyplot as plt

最低0.47元/天 解锁文章
yy tt
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【YOLO】记录训练输出并对结果评估
shangpapa3的博客
08-04 7637
YOLO记录训练输出并对结果评估
绘制yolov3 P-R曲线的脚本draw_pr.py
12-04
能够进行绘制yolov3算法模型P-R曲线的脚本reval_voc_py3.py，在python2环境下运行。
绘制yolov3 P-R曲线的脚本draw_pr_py3.py
12-04
能够进行绘制yolov3算法模型的P-R曲线的脚本draw_pr_py3.py，python3环境下运行。
Python利用Seaborn绘制ROC和PR曲线以及AUC与AUPR的计算
最新发布
qq_45647530的博客
06-01 1736
ROC曲线 [1], [2]（ReceiverOperatingCharacteristic Curve，接收者操作特征曲线）是一种用于评估二分类模型性能的重要工具。ROC曲线通过不同阈值下的真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）的变化情况，直观地展示模型的分类能力。具体而言，ROC曲线的横轴表示假阳性率，纵轴表示真阳性率。假阳性率是指将负样本错误地分类为正样本的比例，而真阳性率是指将正样本正确地分类为正样本的比例。
YOLO V3计算mAP （voc_eval.py）适用于python3
qq_32473523的博客
07-21 1332
看了很多博客，大部分的voc_eval.py都只能在python2下运行，我自己把voc_eval.py改成了能在python3下运行的版本。 前面的运行参考https://blog.csdn.net/amusi1994/article/details/81564504 下面是voc_eval.py能在python3下运行的版本。 import xml.etree.ElementTree as ET import os #import cPickle import _pickle as cPickl
yolov3权重_腾讯优图：开源YOLO系列代码（含YOLOv3以及各种backbone）
weixin_39824020的博客
11-21 146
Summary：腾讯优图：开源YOLO系列代码（含YOLOv3以及各种backbone）Author：AmusiDate：2019-01-17微信公众号：CVer原文链接：腾讯优图：开源YOLO系列代码（含YOLOv3以及各种backbone）本文原定于上周跟大家见面，但因不可抗拒原因"被"推迟一周。在此感谢腾讯优图实验室开源这么棒的项目，并特别鸣谢腾讯优图的小伙伴：mileistone（YOLO...
用于yolo计算mAP和PR曲线使用
10-19
使用这些脚本，开发者可以将自己的YOLO模型训练后的预测结果输入，然后通过计算mAP和绘制PR曲线来评估模型在检测任务上的效果。这有助于优化模型参数，提高检测准确性和效率，从而在实际应用中达到更好的性能。在...
Python库 | mappr-0.2.3.tar.gz
03-06
在Python的世界里，`mappr`是一个特定的库，版本为0.2.3，它被打包成`.tar.gz`格式的压缩文件供用户下载和使用。这个压缩文件名为`mappr-0.2.3.tar.gz`，暗示了其内容是`mappr`库的0.2.3版本源代码或相关构建文件。 ...
YOLOv5_DOTA_OBB-旋转体识别.zip
08-16
5. 测试代码：评估模型性能，包括绘制精度-召回曲线（PR Curve）和平均精度均值mAP（Mean Average Precision）。 6. 数据集：DOTA数据集的子集或处理后的版本，可能已经分成了训练集、验证集和测试集。 7. 示例图像...
echarts-map:echarts 绘制地图 连线 时间轴 热力图等
05-12
echarts-map echarts 绘制地图 连线 时间轴 热力图等 使用echarts绘制了地图、连线、散点图、热力图、时间轴等 使用方法：在文件目录下打开控制台，开启一个python开启一个http服务，命令：python -m http.server 在...
Python-meanAveragePrecision此代码评估神经网络对象识别的性能
08-11
4. **计算 Precision-Recall 曲线**：对于每个类别，根据不同阈值计算精度（Precision）和召回率（Recall），然后绘制曲线。 5. **计算 AP**：通过积分方法，将Precision-Recall曲线下的面积作为该类别的平均精度。...
python输出图形效果的代码_Python3.6实现编码图像（ppm和jpg）的输出
weixin_39620845的博客
11-23 245
import numpy as npfrom PIL import Imageimport sys# 异常class StringError(Exception):def __init__(self,err):Exception.__init__(self)self.err=errdef getNRZ(binum,line_pixes=3,bi_pixes=90,pic_height=400,y_...
yolov3 map、recall、p-r曲线可视化超详细
weixin_44407706的博客
04-04 4812
1 、运行darknet官方代码中的detector valid指令，生成对测试集的检测结果。 .\darknet detector valid <voc.data文件路径> <cfg文件路径> <weights文件路径> -out “” 其中voc.data和cfg文件就是你当时训练用的配置文件，weights文件就是你训练出来的结果，其中需要修改的是voc....
机器学习基于Python实现PR曲线和ROC曲线
m0_62682527的博客
10-21 2311
PR曲线和ROC曲线是评估分类模型性能的重要工具。它们可以帮助我们在不同阈值下比较模型的性能，并选择最佳的阈值进行预测。这篇博客将介绍如何使用Python实现PR曲线和ROC曲线，并提供相应的示例代码。在介绍PR曲线之前，我们需要先了解几个概念。这里为了更加形象深刻地理解我们采用识别汉堡🍔的样例。为了判断一张图片是不是汉堡我们可以把照片扔进去一个分类器进行识别如下：其中根据上面数据得到的预测和实际结果的对比我们做出了以下表格：上面表格中的四个数组成的矩阵也就是我们需要理解的的混淆矩阵。
PR曲线、ROC曲线的原理以及在python的实现
qq_64337860的博客
10-22 1095
ROC曲线和PR曲线都是评价分类模型的性能的常用工具。ROC曲线（Receiver Operating Characteristic）以真正率(True Positive Rate)为纵坐标，假正率(False Positive Rate)为横坐标，描述了正负样本判定阈值的变化如何影响分类器的性能。ROC曲线可以直观地展示出不同阈值下分类器的性能，同时考虑到了真正率和假正率之间的平衡关系，适用于正负样本不平衡的情况。ROC曲线下面积(AUC)越大，分类器性能越好。
【Python】绘制PR曲线
Asher117的博客
01-12 7799
数据挖掘模型训练好了之后，对于二分类问题，可以预测每个测试样本属于某个类别的概率， 当我们设置不同阈值时，将得到不同的P值（Precision，查准率）和R值（Recall，查全率） 基于此，可以绘制PR曲线，python绘制PR曲线比较方便。 首先，可以使用precision_recall_curve函数得到 #选择测试数据 import pandas as pd df = pd.read_csv('file_name.csv') X = df[df.columns[:-1]] y = df[df.co
绘制ROC曲线和PR曲线
qq_27353621的博客
12-07 1362
Python绘制ROC曲线和PR曲线
利用COCO数据集对YOLOv3进行性能测试，计算mAP值，绘制PR曲线
程序猿未进化的博客
09-08 5373
安装darknet 详细步骤和解释请参考 YOLOv3官网 详细 Darknet 编译请参考 大佬博客 博主介绍的非常详细，在此就不多赘述，我只是个无情的搬运工… COCO数据集的下载和配置 根据 YOLOv3官网 通过脚本文件获取COCO数据集。这里使用的是COCO2014数据集 tips如果数据集下载速度特别慢，可以打开 get_coco_dataset.sh，在网站下载好数据集，再逐条运行每一条命令即可。 #!/bin/bash # Clone COCO API git clone https://
python 画pr曲线
jacke121的专栏
07-16 2745
import _pickle as cPickle import matplotlib.pyplot as plt xxx = np.array([1, 0.9, 0.9, 0.9,0.5]) yyy = np.array([0.1, 0.4, 0.5, 0.8, 0.99]) plt.figure() plt.xlabel('recall') plt.ylabel('precision') plt.title('PR cruve') plt.plot(xxx, yyy) plt.show(...
机器学习 python绘制pr曲线 代码
06-28
### 回答1： 以下是机器学习Python绘制PR曲线的示例代码： ```python from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt import numpy as np y_true = np.array([0, 0, 1, 1, 1]) y_scores = np.array([0.1, 0.4, 0.35, 0.8, 0.9]) precision, recall, thresholds = precision_recall_curve(y_true, y_scores) plt.plot(recall, precision, linestyle='--', label='PR curve') plt.xlabel('Recall') plt.ylabel('Precision') plt.legend() plt.show() ``` 其中，y_true表示真实标签，y_scores表示模型输出的预测概率。precision_recall_curve函数会返回一组精确率、召回率和阈值，我们将这些数据绘制成PR曲线即可。 ### 回答2： PR曲线是二元分类模型性能评估的重要指标之一，它可以衡量出在"有多少真实的数据预测成正样本的同时预测对了多少个真实的正样本"的性能，适用于不平衡数据集的情况。 在Python中，我们可以利用sklearn库，调用precision_recall_curve()函数绘制PR曲线。具体步骤如下： 1. 导入必要的库 ``` import matplotlib.pyplot as plt from sklearn.metrics import precision_recall_curve from sklearn.metrics import plot_precision_recall_curve ``` 2. 准备数据集 假设我们有一个二分类数据集，标签为1表示正样本，标签为0表示负样本。我们可以从csv文件中读取数据，或者利用一些数据生成的方法。 ``` X, y = make_classification(n_samples=10000, n_classes=2, weights=[0.95,0.05], random_state=42) ``` 3. 拆分数据集 由于绘制PR曲线需要使用测试集，所以我们需要把数据集拆分成训练集和测试集。 ``` from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 4. 训练模型 利用我们选择的二分类模型，例如Logistic回归或者随机森林模型等，从训练数据集中训练一个模型。 ``` from sklearn.ensemble import RandomForestClassifier clf = RandomForestClassifier(n_estimators=100, random_state=42) clf.fit(X_train, y_train) ``` 5. 绘制PR曲线 利用precision_recall_curve()函数计算每个阈值下的准确率和召回率，然后绘制出PR曲线。 ``` disp = plot_precision_recall_curve(clf, X_test, y_test) plt.show() ``` 以上是用Python绘制PR曲线的基本步骤，你可以根据实际需要进行微调和优化。 ### 回答3： PR曲线是机器学习中用于评估二分类模型性能的重要指标之一。它是Precision与Recall的关系曲线，通过绘制Precision与Recall的关系曲线可以更直观、准确地评估模型性能。在Python中，我们可以使用Scikit-Learn库的以下函数来绘制PR曲线： from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt # 假设y_true为真实标签，y_scores为分类模型输出的概率值 precision, recall, thresholds = precision_recall_curve(y_true, y_scores) # 绘制PR曲线图 plt.plot(recall, precision, label='PR curve') plt.xlabel('Recall') plt.ylabel('Precision') plt.title('Precision-Recall Curve') plt.legend(loc='best') plt.show() 其中，y_true为真实标签，y_scores为分类模型输出的概率值。函数precision_recall_curve可以返回precision、recall以及每个阈值的数值，即thresholds，这些数值可以用于后续的计算或可视化操作。绘制PR曲线使用Matplotlib库的plot函数，将recall作为横坐标、precision作为纵坐标，即可得到PR曲线。对于PR曲线的图像优化可以用title函数来添加标题，用xlabel和ylabel函数进行轴标签的添加以及legend函数添加图例。最后将PR曲线图用show函数显示。 绘制PR曲线，是对模型在正例（positive）和负例（negative）两个方面的表现都进行评估的一种方法，可以帮助用户更准确地判断模型的性能，具有重要的应用价值和研究意义。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值