Darket yolov3 MAP计算

模型评价参数：

参考博客：
【YOLO学习】召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））

mAP计算代码链接：

https://github.com/Cartucho/mAP
在\mAP-master\input目录下有三个文件夹，如图。我们需将每个文件夹下的文件替换为自己的数据集所对应的文件。

1.detection-results文件夹

此文件夹下存放yolov3测试所生成的文本文件。
1.1测试命令及结果文件

darknet.exe detector valid data/train5bottle.data yolov3-bottle.cfg backup/yolov3-bottle_last.weights

在\darknet-master\build\darknet\x64\results目录下生成txt文件，每个类别自成一个txt文件。如图。

此文本文档的格式展示（图片命名，分数，框的位置（左上右下）)：
1.2将上述文本文件转换为MAP计算所需要的格式。
每个图片都生成一个对应的文本文档。保存在 detection-results 文件夹下。

转换后的格式如下

附转换代码，参考
https://blog.csdn.net/qq_40297851/article/details/106999045

# detection_transfer.py
import os


def creat_mapping_dic(result_txt, threshold=0.0):  # 设置一个阈值，用来删掉置信度低的预测框信息

    mapping_dic = {}  # 创建一个字典，用来存放信息
    txt = open(result_txt, 'r').readlines()  # 按行读取TXT文件

    for info in txt:  # 提取每一行
        info = info.split()  # 将每一行（每个预测框）的信息切分开

        photo_name = info[0]  # 图片名称
        probably = float(info[1])  # 当前预测框的置信度
        if probably < threshold:
            continue
        else:
            xmin = int(float(info[2]))
            ymin = int(float(info[3]))
            xmax = int(float(info[4]))
            ymax = int(float(info[5]))

            position = [xmin, ymin, xmax, ymax, probably]

            if photo_name not in mapping_dic:  # mapping_dic的每个元素的key值为图片名称，value为一个二维list，其中存放当前图片的若干个预测框的位置
                mapping_dic[photo_name] = []

            mapping_dic[photo_name].append(position)

    return mapping_dic


def creat_result_txt(raw_txt_path, target_path, threshold=0.0):  # raw_txt_path为yolo按类输出的TXT的路径 target_path 为转换后的TXT存放路径

    all_files = os.listdir(raw_txt_path)  # 获取所以的原始txt

    for each_file in all_files:  # 遍历所有的原始txt文件，each_file为一个文件名，例如‘car.txt’

        each_file_path = os.path.join(raw_txt_path, each_file)  # 获取当前txt的路径
        map_dic = creat_mapping_dic(each_file_path, threshold=threshold)  # 对当前txt生成map_dic

        for each_map in map_dic:  # 遍历当前存放信息的字典
            target_txt = each_map + '.txt'  # 生成目标txt文件名
            target_txt_path = os.path.join(target_path, target_txt)  # 生成目标txt路径

            if target_txt not in os.listdir(target_path):
                txt_write = open(target_txt_path, 'w')  # 如果目标路径下没有这个目标txt文件，则创建它,即模式设置为“覆盖”
            else:
                txt_write = open(target_txt_path, 'a')  # 如果目标路径下有这个目标txt文件，则将模式设置为“追加”

            class_name = each_file[:-4]  # 获取当前原始txt的类名
            # txt_write.write(class_name)  # 对目标txt写入类名
            # txt_write.write('\n')  # 换行

            for info in map_dic[each_map]:  # 遍历某张图片的所有预测框信息
                txt_write.write(class_name)  # 对目标txt写入类名
                txt_write.write(' ' + str(info[4]) + ' ' + str(info[0]) + ' ' + str(info[1]) +
                                ' ' + str(info[2]) + ' ' + str(info[3]) + ' ')  # 写入预测框信息
                txt_write.write('\n')  # 换行


creat_result_txt(r'E:\HISI\darknet-master\build\darknet\x64\results',
                 r'E:\MAP',
                 threshold=0.1)
# 第一个文件路径，结果文件。   输入路径
# 第二个文件路径，生成单独标签的保存路径。   输出路径
# 阈值，筛选阈值以上的保存。

2.ground-truth文件夹

ground-truth文件夹下存放验证集的真实框的数据，格式要求如下：

当时制作数据集的时候采用的是labellmg标注软件。数据类型直接选用了yolo数据，yolo数据标注格式为(分类的id， 中心点坐标x，中心点坐标y，框的宽，框的高），yolo的数据标注格式是进行了归一化的。如下图：

附yolo-map转换代码：

# Yolo txt标签格式转换至map txt标签格式
import os
import cv2
import time


mapPath = r'E:\MAP_bottle\kitti_label'  # 新生成的map数据想存放的文件夹路径，根据需要修改


# 将txt中坐标还原到原始照片的坐标
def restore_coordinate(yolo_bbox, image_w, image_h):
    box_w = float(yolo_bbox[3]) * image_w
    box_h = float(yolo_bbox[4]) * image_h
    x_mid = float(yolo_bbox[1]) * image_w + 1
    y_mid = float(yolo_bbox[2]) * image_h + 1
    xmin = int(x_mid - box_w / 2)
    xmax = int(x_mid + box_w / 2)
    ymin = int(y_mid - box_h / 2) + 5  # 增加了一个偏移的量5；
    ymax = int(y_mid + box_h / 2) + 5
    return [xmin, ymin, xmax, ymax]

result=list() #
with open(r'E:\HISI\darknet-master\build\darknet\x64\data\train5bottle.names', 'r') as f: #修改为自己的calss路径
        for line in f:
            result.append(line.strip().split(',')[0])  # a.append(b)：是将b原封不动的追加到a的末尾上，会改变a的值
                # strip()方法用于移除字符串头尾指定的字符（默认为空格或者换行符）或字符序列
        print(result)
        print(result[0])

# 获取照片的labels文件和images文件，并生成新的标签文件
def restore_results(images_folder, labels_folder):
    labels = os.listdir(labels_folder) #os.listdir用于返回该文件夹下所有的文件及文件夹
    for label in labels:
        name = label.split('.')[0] #以o分割字符串，得到的是第一个o之前的内容
        print(name)
        with open(os.path.join(labels_folder, label), 'r') as f: #读取文件
            img = cv2.imread(os.path.join(images_folder, name + '.jpg')) #读取图片
            w = img.shape[1]
            h = img.shape[0]
            info = f.readline()
            lines = ""
            while info:
                label = list(info.split(' '))
                ori_box = restore_coordinate(label, w, h)
                for i in range(30):
                 #  d=list(map(int,label[0]))
                   if int(label[0]) == i:
                    new_info = result[i] +  ' ' \
                           + str(ori_box[0]) + ' ' + str(ori_box[1]) + ' ' + str(ori_box[2]) + ' ' + str(ori_box[3]) \
                           + ' ' + '\n'
                lines += new_info
                info = f.readline()
            with open(os.path.join(mapPath, name + '.txt'), 'w') as fn:
             fn.writelines(lines)
            fn.close()
            # 将转换的坐标值绘制到原始图片上，并显示查看
            # cv2.rectangle(img, (ori_box[0], ori_box[1]), (ori_box[2], ori_box[3]), (0, 255, 255), 2)
            # cv2.imshow('Transfer_label', img)
            # if cv2.waitKey(100) & 0XFF == ord('q'):
            #      break
        f.close()
    # cv2.destoryAllWindows()


if __name__ == '__main__':
    s = time.time()
    imagePath = r'E:\MAP_bottle\test_image'  # 原本的yolo数据格式的images所在的文件夹，根据自己的修改
    labelPath = r'E:\MAP_bottle\test_yolo'  # 原本的yolo数据格式的labels所在的文件夹，根据自己的修改
    print('----数据转换开始---')

    restore_results(imagePath, labelPath)

    print('---耗时：{:.3f}ms'.format(time.time() - s))
    print('---数据转换成功---')

3.images_optional文件夹

此文件夹下存放测试的图片。
pycharm打开map-master,在运行main.py之前先运行/script/extra下的intersect-gt-and-dr.py,运行即可得到所需要的MAP等数据可视化曲线。