第一,在进行训练时进行日志保存,保存在darknet目录下。代码如下:
保证在训练过程中生成train_yolov3.log文件,方便后续进行使用(注意:本人是在python2环境下运行)
第二,使用extract_log.py格式化Log文件,代码如下
链接:https://pan.baidu.com/s/1ksEy037rU6MhpmPBnzEqjg
提取码:h8lv
运行后,log文件解析出来两个.txt文件(train_log_loss.txt; train_log_iou.txt)
第三,使用train_loss_visualization.py脚本绘制loss曲线,代码如下
链接:https://pan.baidu.com/s/1at1QJzeCjePNDpbdVhudTQ
提取码:x16f
第四,使用train_iou_visualization.py可视化iou曲线,代码如下:
链接:https://pan.baidu.com/s/1SfFw54dElk7wo4ySCqCpjQ
提取码:yack
第五,mAP的计算
1.使用代码生成检测结果文件:
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights -out person.txt -gpu 0 -thresh .5
(这里person.txt是我的训练分类,我只训练了person 这一类)
2.将faster-rcnn/lib/datasets/voc_eval.py考到darknet目录下,之后在自己新建一个compute_mAP.py文件(如果没有voc_eval.py,下边我提供了百度云,ke'y可以直接去下载)
链接:https://pan.baidu.com/s/1Hg7ibv_Wqnu_IKE2TwqWiw
提取码:0ij3(voc_eval.py)
链接:https://pan.baidu.com/s/1kqLQ3sjLncA3eHwOWsH3-A
提取码:sweu(compute_mAP.py)
compute_mAP.py 根据自己的路径进行修改即可
3.运行compute_mAP.py即可