map评价吗 voc数据集可以用coco_利用COCO API测试自己数据集训练的YOLOv3模型的mAP（VOC格式数据集）...

工具

1.git：去git官网下载：https://git-scm.com/downloads/，下载自己需要的版本，下载完成后按照默认步骤安装即可

3.Advanced Renamer：批量重命名工具——https://www.advancedrenamer.com/ ，批量更改数据集名称时可能会用到。

前言

对于不同数据集mAP值的计算方法不同，VOC2007提出了利用11个recall值来计算AP，而在2010之后使用了所有数据点来计算AP。COCO数据集采用的计算方式更加严格，它计算了不同IOU阈值和物体大小下的AP值，再取平均值。

本文参考了利用COCO API评估YOLOv3模型mAP的相关文章，这里总结了如何评估自己训练出的yolov3模型的mAP，其中自制数据集参考了VOC数据集的格式存放。

测试mAP需要两个json文件：cocoGt_file 和 cocoDt_file，一个是经过正确标注的标注集的json文件，一个是通过自己训练的YOLOv3模型进行检测而生成的结果集的json文件，这可以通过mAP的定义来理解。

下面我将分别介绍如何生成所需要的这两个json文件，进行mAP测试。

【文章默认已经准备好了带有xml标注的数据集，并且训练好了自己的yolo.h5模型】

生成标注集的json文件

数据集准备

我使用的是VOC格式的自制数据集，要生成COCO数据集需要的json文件，需要对数据集进行处理。

我这里需要使用的仅仅是测试集，所以只需要用到test.txt，该文件保存的是

测试集的图像名称。

将voc注解格式数据集的注解转换成txt注解格式

在自己的项目文件夹下新建1_voc2txt.py文件，输入如下代码。注意根据自己的实际情况更改数据集的路径，并且在VOCdevkit/VOC2007/Annotations文件夹下需要存放标注的.xml文件。

import os

import shutil

'''

将 dataset_dir 改为你的数据集的路径。

生成的txt注解文件格式为：

图片名 物体1左上角x坐标,物体1左上角y坐标,物体1右下角x坐标,物体1右下角y坐标,物体1类别id 物体2左上角x坐标,物体2左上角y坐标,物体2右下角x坐标,物体2右下角y坐标,物体2类别id ...

train_difficult控制是否训练难例。use_default_label控制是否使用默认的类别文件。

'''

# 是否训练难例。

train_difficult = True

# train_difficult = False

# 是否使用默认的类别文件。

use_default_label = True

# use_default_label = False

dataset_dir = 'VOCdevkit/VOC2007/'

train_path = dataset_dir + 'ImageSets/Main/train.txt'

val_path = dataset_dir + 'ImageSets/Main/val.txt'

test_path = dataset_dir + 'ImageSets/Main/test.txt'

#test_path = None

annos_dir = dataset_dir + 'Annotations/'

# 保存的txt注解文件的文件名

train_txt_name = 'voc2007_train.txt'

val_txt_name = 'voc2007_val.txt'

test_txt_name = 'voc2007_test.txt'

class_names = []

class_names_ids = {}

cid_index = 0

if use_default_label:

# class_txt_name指向已有的类别文件，一行一个类别名。类别id根据这个类别文件中类别名在第几行确定。

# 如果只训练该数据集的部分类别，那么编辑该类别文件，只留下所需类别的类别名即可。

class_txt_name = 'model_data/voc_classes.txt'

if not os.path.exists(class_txt_name):

raise FileNotFoundError("%s does not exist!" % class_txt_name)

with open(class_txt_name, 'r', encoding='utf-8') as f:

for line in f:

cname = line.strip()

class_names.append(cname)

class_names_ids[cname] = cid_index

cid_index += 1

else: # 如果不使用默认的类别文件。则会分析出有几个类别，生成一个类别文件。

# 保存的类别文件名

class_txt_name = 'data/class_names.txt'

train_names = []

val_names = []

test_names = []

with open(train_path, 'r', encoding='utf-8') as f:

for line in f:

line = line.strip()

train_names.append(line)

with open(val_path, 'r', encoding='utf-8') as f:

for line in f:

line = line.strip()

val_names.append(line)

if test_path is not None:

with open(test_path, 'r', encoding='utf-8') as f:

for line in f:

line = line.strip()

test_names.append(line)

# 创建txt注解目录

if os.path.exists('annotation/'): shutil.rmtree('annotation/')

os.mkdir('annotation/')

def write_txt(xml_names, annos_dir, txt_name, use_default_label, train_difficult, class_names, class_names_ids, cid_index):

content = ''

for xml_name in xml_nam