yolov3 map、recall、p-r曲线可视化超详细

最新推荐文章于 2024-09-14 10:53:03 发布
最新推荐文章于 2024-09-14 10:53:03 发布
阅读量4.8k 收藏 22
点赞数 9
分类专栏： 其他
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_44407706/article/details/105308482
版权
本文详细介绍了如何使用Darknet进行YoloV3的检测验证，通过运行官方代码生成测试结果，接着利用reval_voc_py.py计算mAP值并绘制PR曲线。步骤包括修改配置文件、执行检测、下载评估脚本、计算mAP及绘制曲线，并针对可能出现的问题提供了解决方案。
摘要由CSDN通过智能技术生成

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.data文件，其中应该是有五行的，其中第三行是valid就是需要验证测试集的路径。
2、执行完之后应该会在程序的当前目录生成一个results文件夹，里面存有检测结果，文件名为comp4_det_test_<你检测的类名>.txt，画风如下所示。
在这里插入图片描述
txt中数据格式为: 文件名 置信度 x y w h。
3、下载检测用脚本文件 reval_voc_py.py和voc_eval_py.py
https://download.csdn.net/download/qq_33350808/10731748
这个老哥提供的，需要积分哦，如果没积分可以联系我，我给你们发。1397728762@qq.com。记得点赞，感谢。

4、 使用reval_voc_py.py计算出mAP值并且生成pkl文件，命令行如下（这是我自己的命令行你们根据自己的修改即可）：
python reval_voc_py3.py --voc_dir /extdisk/yolov3new/darknet/scripts/VOCdevkit --year 2019 --image_set test --classes /extdisk/yol

最低0.47元/天 解锁文章
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 6万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
YOLOv5性能评估指标-＞mAP、Precision、Recall、FPS、Confienc (讲解论文关注的主要指标)
Snu77的博客
12-21 1万+
这篇博客，主要给大家讲解我们在训练yolov5时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。
YOLO-V3可视化训练过程中的参数，绘制loss、IOU、avg Recall等的曲线图
热门推荐
dspeia的博客
08-06 7万+
看了好几个博客，发现了些问题，有些博客是有bug的，此博客亲测无误。 可视化中间参数需要用到训练时保存的log文件（命令中的路径根据自己实际修改）：  ./darknet detector train pds/fish/cfg/fish.data pds/fish/cfg/yolov3-fish.cfg darknet53.conv.74 2&gt;1 | tee visualization...
YOLOV5/v7/v8训练数据集P、R、mAP等均为0
最新发布
weixin_61623830的博客
09-14 1497
时选择的路径）4.查看系统变量中的Path是否有v12.2\bin，若没有则添加正确路径；若错误则修改成正确路径（路径为。
YOLOv3 PR曲线
05-25 816
1.输出重定向 做训练的时候输出重定向得到训练日志文件 ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1 2>1 | tee train_yolov3.log 2.解析日志文件 extract_log.py # coding=utf-8 # 该文件用来提取训练log，去除不可解析的log后使log文件格式化，生成新的log文件供可视化工具绘图 i
YOLOv3使用笔记——曲线可视化
Gotta-C的博客
06-23 1万+
1.输出重定向 做训练的时候输出重定向得到训练日志文件 ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1 2&gt;1 | tee train_yolov3.log 2.解析日志文件 extract_log.py # coding=utf-8 # 该文件用来提取训练...
yolov3算法模型P-R曲线绘制教程(python2，python3)
我有一根魔法棒的博客
12-05 1908
方法一：python2环境下 第一步：寻找在darknet/scripts文件中的reval_voc.py和voc_eval.py文件，或者在这里下载： reval_voc.py： https://download.csdn.net/download/qq_42881737/12014098 voc_eval.py： https://download.csdn.net/download/qq_42...
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。
YOLOv10性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
07-13 2023
这篇博客，主要给大家讲解我们在训练yolov10时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
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。
YOLOV3实战5：利用三方工具绘制P-R曲线
phinoo的博客
10-12 1万+
大家好，我是小p，这篇文章主要给大家介绍一下如何利用第三方脚本绘制P-R曲线。 对“对象检测”感兴趣的小伙伴，欢迎加入对象检测群813221712讨论和交流，进群请看群公告！ 说明： 本教程是基于KITTI的评价矩阵标准进行的，会绘制3条曲线，分别是Easy，如示例图： Moderate和Hard级别，检测结果也需要按照KITTI的标准进行调整，废话少说，开始正题！ 一、下载脚本 脚本链接：ht...
YOLOv3之loss和iou可视化（横坐标和纵坐标与迭代次数完美对齐）
kepcum
10-26 1万+
建议大家先去看看其他博客的代码，就能体会到它的魅力了。 Table of Contents 一、extract_log.py 二、visualization_loss.py 三、visualization_iou.py 一、extract_log.py #!/usr/bin/python #coding=utf-8 #该文件用于提取训练log，去除不可解析的log后使log文件格式化...
yolov3 tf2计算自己数据集的mAP Ap PR曲线
weixin_45086338的博客
07-14 739
原文: https://blog.csdn.net/weixin_42990953/article/details/105182238?utm_medium=distribute.pc_relevant_download.none-task-blog-2defaultsearchFromBaidudefault-16.test_version_3&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-2defaultsea
【笔记】YOLOv3训练自己的数据集(3)——小技巧和训练日志可视化
csdn_zhishui的博客
12-30 7827
环境：Ubuntu18.04 GTX1080 文章目录4 小技巧4.1 `.weights`文件保存时机4.2 断点继续训练4.3 Nan5 训练日志可视化【完】 4 小技巧 4.1 .weights文件保存时机 原版的.weights文件是当训练次数小于1000时，每隔100次保存一次，大于1000是每10000次保存一次，这对于检测类别数较少或者数据集太少的情况是很难受的，那么可以修改源代码...
YOLOv3训练自己的数据集(3)——小技巧和训练日志可视化
一新新的小白的博客
08-06 1744
https://blog.csdn.net/csdn_zhishui/article/details/85397380
用代码yolov5生成改进前后map曲线对比图，map0.5，map0.5:0.95，很简单，小白都能看懂！
qq_42366162的博客
04-19 5290
用代码yolov5生成map曲线对比图，map0.5，map0.5:0.95
YOLO训练数据绘制loss、IOU、Recall曲线
想想叫啥名的博客
03-05 3073
一、格式化log,用生成的新的txt文件供可视化工具绘图，共生成两个文件：train_log_loss.txt和train_log_iou.txt # coding=utf-8 def extract_log(log_file,new_log_file,key_word): with open(log_file, 'r') as f: with open(new_lo...
ap、mAP多标签图像分类任务的评价方法
海之崖的专栏
01-09 3万+
多标签图像分类（Multi-label   Image  Classification）任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean  accuracy，该任务采用的是和信息检索中类似的方法—mAP（mean Average  Precision）。
信息检索评价方法：P-R曲线与MAP值解析
通过P-R曲线和平均精确率MAP等方法，对信息检索系统的性能进行综合评估。 在信息检索领域，评价方法是衡量系统性能的重要手段。首先，评价通常会考虑效率，这包括完成检索的时间和所需的空间。此外，系统的效果也会...
评论 33
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