YOLOV3-keras版本下计算自己数据集的mAP

大家好，这是本小白的第一篇博客，主要是在作者"倔强的大萝卜"这篇文章 【YOLOV3-keras-MAP】YOLOV3-keras版本的mAP计算（https://blog.csdn.net/plSong_CSDN/article/details/89502117）的基础上，进行补充，最终实现自己数据集的keras-yolov3的mAP计算。前提是，已经训练好了h5文件。

原博主直接给出了代码包 https://github.com/Cartucho/mAP，其博客也有关键代码的解释，但并没有给出整个连续的实现过程，我看评论里也有一些同是小白的盆友求具体代码，我把它连贯起来了，在这里记录总结一下～

前言

首先引用一下 目标检测问题中的-MAP 里的几个基本概念：
MAP（mean Average Precision）：均值平均精度。目标检测模型的性能评估

Ground Truth：对于任何算法，度量总是与数据的真实值（Ground Truth）进行比较，Ground Truth就是数据的真实值。Ground Truth包括图像中的目标的类别以及图像中每个目标的边界框。

Iou：交并比。交并比是模型所预测的检测框和真实（Ground Truth）的检测框的交集和并集之间的比例。

如何计算可以查看原博主 目标检测问题中的-MAP 这篇博文，本文主要讲实现方法。

1 下载mAP压缩包

原博主给出了这个下载地址 mAP代码下载
下载后解压到keras-yolo3的主目录下，若要计算自己的数据，可以把压缩包里mAP-master/input下的三个文件夹（detection_results, ground_truth, images-optional）里的内容清空，以便后续放入自己的数据。

实现mAP的计算主要就是把相应的文件放入到 detection_results, ground_truth, images-optional 这三个文件夹中，然后根据压缩包里的main.py 文件直接生成结果。下面依次解释我是咋实现的。

2 images-optional文件夹

先从最简单的开始吧，images-optional文件夹主要是放你要测试(test)的图像数据的。
第一种方法是，你只需要把你准备的测试图片粘进去
第二种方法是，你可以在main.py 文件中把IMG_PATH的路径引到你放测试图片的文件夹。下面是main.py 文件中的部分代码，修改即可。

GT_PATH = os.path.join(os.getcwd(), 'input', 'ground-truth')
DR_PATH = os.path.join(os.getcwd(), 'input', 'detection-results')
# if there are no images then no animation can be shown
# IMG_PATH = os.path.join(os.getcwd(), 'input', 'images-optional')   默认是images-optional
IMG_PATH = '/home/bu807/Downloads/keras-yolo3-master2/keras-yolo3-master2/test'   #也可以引到自己的test路径

粘完图片，或者改完路径后，images-optional文件夹就搞定了。最简单。

3 ground_truth文件夹

ground_truth用来放真实值，就是你当初标的框的位置大小，如下：一张图里，眼睛 鼻子 嘴巴 的类型、位置和大小。

格式是：classname left top right bottom

eye 86 274 146 305
eye 214 273 282 303
nose 138 334 220 385
mouth 139 404 220 437

这里需要放入原始值的txt文件，我们可以根据xml文件生成。首先，需要将xml导入到ground_truth文件夹；然后，通过covert_gt_xml.py转成txt文件。

3.1 将xml导入到ground_truth文件夹

第一种方法，你的测试图片少的话，可以直接把相应的xml文件粘到ground_truth文件夹。
第二种方法，你的测试图片很多/一个一个找不好找，我简单写了一个代码（如下：findxml.py，你可以把它放在mAP-master/scripts/extra下 ），可以从你的Annotations文件夹中找到相应的xml文件，然后粘到ground_truth文件夹。